模型建立和估计中的问题及对策

最新推荐文章于 2022-08-15 20:56:51 发布

小天使甲

最新推荐文章于 2022-08-15 20:56:51 发布

阅读量4.9k

点赞数 6

文章标签：线性回归回归最小二乘法

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/Wowlittlemoon/article/details/121361395

版权

本文探讨了在模型建立和估计中常见的问题，包括误设定、多重共线性、异方差性和自相关。误设定可能涉及函数形式误设定、遗漏或包含无关解释变量等。多重共线性可能导致参数估计的不稳定性。异方差性会使参数估计失去最小方差性质。自相关会影响参数的有效性。针对这些问题，文章提出了相应的检验方法和解决方案，如增加数据、改变模型形式、主成分回归等。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

目录

实践中模型建立常出现的问题

2. 多重共线性

3. 异方差性

实践中模型建立常出现的问题

由于估计多元线性回归参数所使用的最小二乘法建立在一系列假设的前提下，而在实践中，这些假设难以被全部满足，因此在这类情况下，我们就需要改变分析方法。

当实际情况不满足经典假设时，模型建立与估计会出现多重共线性等问题。

估计模型 $Yi=\beta _{1}X_{1i}+\beta _{2}X_{2i}+...+\beta _{k}X_{ki}+u_{i}$

模型选择错误时——误设定

假设1： $E(u_{i})=0$

假设2： $Var(u_{1})=\sigma ^{2}$

不满足时——异方差性

假设3： $E(u_{i}u_{j})=0$

不满足时——自相关性

假设4： $Cov(X_{ji}u_{i})=0$

假设5：解释变量 $X_{1}$ ， $X_{2}$ ， $X_{3}$ ，...， $X_{k}$ 之间不存在严格的线性关系且rank(X)=k+1<n

不满足时——多重共线性

1. 误设定

1.1 函数形式误设定

在实践中，我们应该根据具体情况选择合适的函数形式，除线性模型外，常用模型有双对数模型、半对数模型、双曲函数模型、多项式回归模型等。

函数形式误设定会导致OLS估计量有偏或不一致。

1.2 模型中遗漏有关解释变量

遗漏对因变量有显著影响的解释变量会导致参数估计发生偏倚。

1.3 模型中包括无关解释变量

包含无关解释变量时参数估计仍无偏，但会增大估计量的方差，即增大误差。

1.4 选择解释变量的四个原则

（1）从理论上判断（最重要的判断依据）

（2）t检验：判断该解释变量的系数估计值是否显著

（3） $\frac{ }{{R^{2}}$ ：该解释变量加入方程之后 $\frac{ }{{R^{2}}$ 是否变大

（4）偏倚：该解释变量加入方程后，其他变量的系数估计值是否显著变化

1.5 模型的选择

过去相当长一段时间人们都乐意使用逐步回归法来选择模型的解释变量，然而除去这类计算机机械挑选的方法外，还有不少现金较为常用的方法。

我们可以根据具体情况设定几个备选模型，然后从中选择一个。

（1）以上是基于回归的标准误差最小的准则—— $\frac{ }{{R^{2}}$ 准则

若 $\sigma_{j}^{2}$ ^= $RSS_{j}/(n-k_{j})$ 是第 j 个模型的 $\sigma ^{2}$ 估计值，

则对于正确的模型，E( $\sigma _{j}^{2}$ ^)= $\sigma ^{2}$ ；对于不正确的模型，E( $\sigma _{j}^{2}$ ^)= $\sigma ^{2}$ 。

因此只需选择 $\sigma_{j}^{2}$ ^最小的模型即可。

由于最小化

最低0.47元/天解锁文章

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。