ming-chichen.pptVIP

14.1.1 模型設定錯誤-遺漏 Model Specification Errors 14.1.2 模型設定錯誤-加入不相關變數 Model Specification Errors-including irrelevant IV 加入不相關的自變數 正確的迴歸模型為： Y=α+βX+ε 放入不相關的解釋變數Z Y=α*+β*X+γ*Z+ε* 自變數設定錯誤的問題：放入不相關的變數 14.2 線性重合與其他問題 非線性迴歸模型：自變數的其他轉換 在第一格填入0.01 非線性迴歸模型：自變數的其他轉換 非線性迴歸模型：自變數的其他轉換 把這個資料存成以TAB字元相隔的文字檔。 在Stata中匯入這個資料 非線性迴歸模型：自變數的其他轉換 對數關係與線性關係 用線性關係來分析這筆資料 R2=0.77，整個模型顯著，迴歸係數為0.59，亦為顯著 對數關係與線性關係 對數關係與二次方關係 用二次方迴歸模型來分析 R2=0.91，整個模型顯著；迴歸係數皆顯著 v2=-1.68+1.56*v1-0.19*v12 對數關係與二次方關係 二次方關係 多次方轉換容許等差尺度的變數 大部分其他函數轉換則需要等比尺度的變數 非直線關係：轉換依變數 轉換依變數會改變自變數與依變數的關係，轉換後兩者的關係不再適合用線性關係來分析 這必須用概化線性模型（generalized linear model, GLM）來分析，而OLS可被視為是GLM家族中的一員 ?Ming-chi Chen 社會統計 Page.* 如何處理Heteroscedasticity? It has to be pretty severe before it leads to serious bias in the standard errors. ?Ming-chi Chen 社會統計 Page.* Outlier的影響 OLS很容易受到離群值（outlier）的影響，尤其當樣本不大的時候。 有很多的統計技術可用來檢驗每個obs對於迴歸模型的影響。 主要是討論如果我們刪除了某個觀察個案，對於模型的參數會有何影響。 個案的影響力取決於下列兩個條件： 個案觀察到的Y值跟預測值有多大的落差 個案在IV上有多極端（離均值） ?Ming-chi Chen 社會統計 Page.* Studentized residual 第一個方法是先求殘差 殘差越大，就表示該觀察值離整體趨勢越遠多遠？可以用標準化轉換。 這稱為studentized residual 如果絕對值2.5就要小心 ?Ming-chi Chen 社會統計 Page.* Stata Studentized residual 先跑迴歸，用前面income和consumption的例子。 Predict 新變數名稱, rstudent 自行定名 ?Ming-chi Chen 社會統計 Page.* Hat value or leverage 個案在某IV的值離這個IV的均數有多遠 hat value越大，在計算預測值Y-hat時的權重就越大，它的槓桿也越大。 hat value的平均是p/n，p是模型裡的參數數量。 hat value隨著樣本變大而變小。 3p/n表示有大的槓桿 ?Ming-chi Chen 社會統計 Page.* hat value (leverage) Stata Predict 新變數名稱, hat (3*2)/20 ?Ming-chi Chen 社會統計 Page.* DFFIT 有兩個常用的診斷統計量：DFFITS和DFBETAS DFFITS：去除了個案對model fit的影響，也就是how much the predicted value for each obs would change. ?Ming-chi Chen 社會統計 Page.* DFFIT Stata Predict 新變數名稱, dfits ?Ming-chi Chen 社會統計 Page.* DFBETAS 移除個案後迴歸係數的改變，除以調整過後的資料組的估計式標準誤。 ＞1表示個案有重大影響 ?Ming-chi Chen 社會統計 Page.* DFBETAS Stata predict 新變數名稱, dfbeta(所選的自變數) 分別選擇自變項 1 ?Ming-chi Chen 社會統計 Page.* DFBETAS Stata Dfbeta不用指定自變項 只有一個自變數，所以只有一個DF值，注意Stata變數命名 ?Ming-chi Chen 社會統計 Page.* 移除離群值重跑迴歸 reg consum income if abs(DFincome) 1 新迴歸方程式： c