加权最小平方法及稳健回归模型之简介-中国医药大学生物统计研究所.pdfVIP

加權最小平方法及穩健迴歸模型之簡介 生統中心 廖麗娜統計分析師 在實務研究中，大部分的研究者試圖想要探討兩變數間的關係是什麼？例如 我想研究一群健康女性成人的 舒張壓“ ”變化 與 “年齡”有何關係 ？但在現實 世界中，舒張壓的 變化很難只用 年齡解釋清楚 ，可能還有其他的預測變數 (predicted variables)對舒張壓的變化也有影響 。或者 對於某一種現象(outcome)我 們感興趣的預測變數有二個以上 ，此時就須要使用較複雜的模型來說明 。較常 使用的方法是迴歸模型 (regression model) 。在使用迴歸模型時，我們常會 忽略背 後的假設條件，雖然在實務研究中要滿足所有假設條件有某種程度上的困難， 但是要提醒研究者，若忽略模型背後的假設條件，那麼統計分析的結果 真的是 不偏(unbiased嗎？) 或是估計值 真的具有效率性(efficiency)嗎？ 我們先談談當誤差項的變異數不是常數“ 時的處理方式。” 一般來說，我們常 使用“最小平方法(ordinal least squares, OLS)”來估計迴歸模型中的參數，用OLS 方法所估計出的參數值具有“不偏” 、“一致”且“有最小變異數的良好性質，” 但是 當誤差項的變異數不是常數“ 時，” OLS方法不再具有最小變異數，因此，我們需 考慮其他解決 方法，比如加權最小平方法(weighted least squares, WLS) 。 OLS和WLS 差異在哪呢 ？使用 OLS背後的假設條件是誤差項的變異數是常 數 假設( 觀察值的變化是一樣的、穩定的 ) ，因此 OLS對每一個觀察值一視同仁， 權重值 (weight)皆設定為 1 ；當違反此假設時觀察值的變化很大，不再是穩定( 的 ) ，WLS對變化很 大的觀察值給予較低的權重 (甚至接近於0 ，可以忽略) 。以下 將舉一個例子來說明違反假設條件誤差項的變異數是常數“ 時，使用” OLS及WLS 估計結果的差異。 中國醫藥大學 生物統計中心 例子 1 ：研究者想要了解在一群(N=54)健康的女性成人 (20~60歲中，) 舒張壓 (DBP ，Y的變化) 與年齡(Age ，X的關係) 。首先，我們畫散佈圖 (scatter plot)看看 兩個變數間的關係，再 以簡單線性迴歸模型(simple linear regression)配適 ，OLS 參數估計結果及殘差圖(residual plots)如下 。 SAS Code Example (OLS方法) data wlstest; no+1; input Age DBP @@; datalines; 27 73 21 66 22 63 24 75 25 71 23 70 20 65 20 70 29 79 24 72 25 68 28 67 26 79 38 91 32 76 33 69 31 66 34 73 37 78 38 87 33 76 35 79 30 73 31 80 37 68 39 75 46 89 49 101 40 70 42 72 43 80 46 83 43 75 44 71 46 80 47 96 45 92 49 80 48