- 1、本文档共48页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
回归分析
——方法、数据与R的应用
刘超
statchao@buaa.edu.cn
北京航空航天大学数学科学学院
2020年1月20 日
课件仅供教学使用
刘 超 ,回归分析——方法、
数据与R的应用,高等教育
出版社,2019年10月
第6章 误差的问题
上课之前的话
对于回归模型,通常假设误差ε是独立同分布的(i.i.d)
,有时也假设ε服从正态分布以便于进行统计推断
然而,这些假设在实践中往往并不成立
经常会出现以下四类问题:
• (1)相关误差;
• (2)误差独立而分布不相同;
• (3)残差可能比预期大得多;
• (4)非正态误差
面对这些情况,必须为普通最小二乘法寻找替代方法
本章将对回归模型误差的这四类问题进行讨论
目的与要求
(1) 了解研究误差问题的重要性
(2)掌握广义最小二乘法和加权最小二乘法
(3)掌握如何判断回归模型拟合不足
(4)掌握几种稳健的回归方法
(5)掌握分位数回归方法
(6)掌握解决误差问题的各种方法在R软件中的实现
6.1 广义最小二乘
6.1 广义最小二乘
对于线性回归模型
y=Xβ+ε
2
到目前为止,假定var ε=σ I
不同观测的误差可能具有非常数方差或彼此相关
2 2
• 可用var ε=σ Σ 代替,其中σ 是未知的,但Σ是已知的
• 即误差之间相关性和协方差已知, 方差未知
6.1 广义最小二乘
假设Σ=SS T ,其中S 是使用Choleski分解的三角矩
阵,可以将其看作矩阵的平方根
对回归模型 y=Xβ+ε 左乘S-1 ,可以将该模型转化
为标准情形
-1 -1 -1
S y=S Xβ+S ε
y '=X'β+ε ’
得到:
-1 -1 -T -1 2 T -T 2
var ε'=var(S ε)=S var(ε)S =S σ SS S =σ I
-1 -1
将y '=S y 对X '=S X 回归可以将广义最小二乘
(GLS)简化为普通最小二乘(OLS)
• 其中误差ε'= S-1ε是独立同分布的
6.1 广义最小二乘
在这个变换模型中,残差平方和是:
-1 -1 T -1 -1 T -T -1 T -1
(S y -S Xβ) (S y -S Xβ)=(y -Xβ) S S (y -Xβ)=(y -Xβ) Σ (y -Xβ)
通过将其最小化得到:
መ T -1 -1 T -1
=(X Σ X) X Σ y
进而得到:
T -1 -1 2
መ
文档评论(0)