多重回归的注意事项.pptVIP

* 二、共线性诊断与异常点诊断 5. 共线性的解决方法 (1)变量筛选 自变量存在多重共线性时，说明部分自变量间有较高的相关性。可认为这些自变量对因变量的作用部分重叠或存在包含作用。 故可采用自变量筛选的方法选出对因变量有统计学影响且相互之间独立或相关性较低的一组自变量。 * 二、共线性诊断与异常点诊断 5. 共线性的解决方法 (2)有偏估计 自变量间存在多重共线性且专业上认为需要保留在模型中时，不宜使用最小二乘法估计模型。此时，可采用有偏估计。 所得回归系数的估计值与参数的偏离不大，且较为稳定，另回归系数的标准误比最小二乘法小。 此类方法包括岭回归分析、主成分回归分析等。 * 二、共线性诊断与异常点诊断 5. 共线性的解决方法 (3)偏最小二乘回归分析 此法是最小二乘法的一种拓展，最早产生于化学界。建模过程中，集成了主成分分析、典型相关分析和线性回归分析的特点，具有传统经典回归分析所没有的优点。 * 二、共线性诊断与异常点诊断 5. 共线性的解决方法 (4)增大样本含量 通过增加样本含量，减少估计量的方差，提高估计精度，可在一定程度上克服多重共线性。 * 二、共线性诊断与异常点诊断 1. 学生化残差统计量