2-4回归模型的诊断和优化 - 违背基本假设

最新推荐文章于 2024-08-16 22:44:00 发布

Love_Life_AI

最新推荐文章于 2024-08-16 22:44:00 发布

阅读量3.3k

点赞数

分类专栏：学习笔记文章标签：机器学习算法

本文链接：https://blog.csdn.net/Love_Life_AI/article/details/84111115

版权

本文回顾了回归模型的基本假设，包括零均值、同方差、无自相关和正态分布。接着，讨论了模型在实际中常见的不满足假设的情况，如异方差性及其检验方法，如残差图分析和等级相关系数法。此外，还介绍了自相关问题，包括自相关的影响和检验方法，如DW检验。最后，提到了异常值的识别和处理，如通过删除异常残差或应用学生化残差来改善模型拟合。

摘要由CSDN通过智能技术生成

0 回顾：回归模型的基本假设

线性回归有几个基本的前置假设条件

零均值：随机误差项均值为0 ，保证未考虑的因素对被解释变量没有系统性的影响
同方差：随机误差项方差相同，在给定 $x$ 的情况下， $\varepsilon$ 的条件方差为某个常数 $\sigma^{ 2 }$
无自相关：两个 $\varepsilon$ 之间不相关， $COV\left (\varepsilon _{i}, \varepsilon _{j}\right )=0,i\neq j$
正态分布： $\varepsilon$ 符合正态分布 $\varepsilon _{i}\sim N\left ( 0,\sigma ^{2} \right )$
解释变量 $x_{1},x_{1},x_{1},...,x_{p}$ 是非随机变量，其观测值是常数
解释变量之间不存在精确的线性关系
样本个数要多与解释变量的个数