§4.5 回归诊断.doc.docVIP

§4.5 回归诊断 (略) I Gauss-Markov模型（线性模型） 线性模型： ； （*） 假设： ； 注：这个假设表明：是不相关的，且具有相同的前两阶矩。 讨论的问题： 1 模型的线性性是否合理； 2 估计对数据的稳定性。 II 残差 （1）模型(*)的LS估计 的LS估计： ； 的估计： ； 残差： ； （2）的性质： 在LS估计中，矩阵H起着极其重要的作用，有下列重要的性质. (i) 对称性 (ii) 幂等性 ； (iii) 投影性 ；； ； 注：由H为一个投影算子，而有如下重要关系： （**） 这个关系表达了误差与残差之间的线性特性，这个关系将用来诊断对于的假设的合理性。 (iv) H的秩； 的秩。 Th.1 设 ，则有 (a) ； 当时，； (b) ； (c) ， 其中， ；； ； 证 由可知：“1”为H的k+1重特征值；由于，H的其它重特征值为零。因此，存在正交矩阵Q：，使得 ，其中，。 设 ， 则 （向量的点乘）； 显然，有 。故 ； 类似的做法可得：当时，；故结论(a)成立。 显然，由上面的分析，立得H的迹和为：。此即结论(b)。 往下证明：结论(c)： 设 。不失一般性，设 。 所涉及的矩阵具有下面的表现： ； ； ； ； 于是， 。 故 。 注：如何应用结论(c)？ 将模型做一个变换，即原模型减去样本均值， ； ； 则 。 这个模型是将取作，用代替之后得到的。不改变对参数，的LS估计。因此，在应用结论(c)时，应对数据作上述处理。 （3）高杠杆点的检验(high leverage case) (i) 残差的统计特性 注意，，有 ； ； 于是，的方差为：。 (ii) 假设检验问题 Step1 设计假设 ； ； 解释：当时，即有。这个事实与等价。按Th.1，“”表明：远离试验中心。注意，。于是，这种情形就意味着：点将回归直线拉向自己。这种点称为高杠杆点，即是对回归直线的影响较大的点。 Step2 检验统计量的设计 假设是多维正态总体的样本，且数据经过中心化处理。注意，将看作为的协方差，则 ； 于是，（近似的！）； 另外， ； 注意，与独立。 教材中给出的检验统计量： ？？？ 无法作出合理的解释？？？？ Step3 - 1