多元统计笔记

---

一些做法：
将样本分为两类，50样本，5000predictors，找到100个predictors和Y相关性最大的变量。然后用CV的方法预测一个logistic模型。
问题：会存在Spurious Correlation。第一轮选的变量可能和Y是伪相关的，但是在第二轮肯定会有更高的预测率。

population -> data -> estimation -> sampling distribution -> test/CI/PI
bootstrap:把data当作分布，一次一次从里面抽，得到一个empirical distribution

pearson correlation：样本空间上T（x1-mean（x），x2-mean（x），…，xn-mean（x））和T（Y1-mean（Y），Y2-mean（Y），…，Yn-mean（Y））的夹角余弦

---

inference的目的：
估计是用当前数据来估的

hierarchy principal
异方差解决办法：取对数
x不奇怪 y奇怪：outline
x奇怪：high leverage 影响更大
用leverage statistics评估

X具有相关性：corraletion matrix
R square很大 但是许多系数很低就可能有
VIF-variance inflation factor

线性函数加一个分布函数 肯定在【0，1】之间
probit：正态分布
logistic：logistic分布

dummy variable:model.matrix

---

X无相关性 可否一个一个检测：不可以
type 1 error：$\alpha$
每一个变量的error是$\alpha$，那么整个的type 1 error是$1-(1-\alpha {)}^P$
另外可能每一个影响都很小，但是叠加的影响可能很大、
multivariate test is more powerful than separately univariate test

multivariate test mu on $\mu$ with $\Sigma$ know ~多元正态分布
KaTeX parse error: Can't use function '\~' in math mode at position 44: …bar y - \mu ) \̲~̲ N_P(0,I_p)

KaTeX parse error: Can't use function '\~' in math mode at position 5: z_i \̲~̲ N(0,1)

KaTeX parse error: Can't use function '\~' in math mode at position 12: \sum z_j^2 \̲~̲ X^2(P)

KaTeX parse error: Can't use function '\~' in math mode at position 57: …(\bar y - \mu) \̲~̲ X^2(P)

拒绝域：$Z>X_{\sigma }^2(P)$

p比较小的时候，减小$\alpha$ 也阔以
考虑椭圆方框强调内容，相关性越高，椭圆越扁，单变量检验error的可能性越高

multivariate test mu on $\mu$ with $\Sigma$ unknow ：hotelling’s $T^2$(n>p)

KaTeX parse error: Can't use function '\~' in math mode at position 49: …(\bar y-\mu_0) \̲~̲ T^2
$$\frac{n-p}{p(n-1)}{T}^2(p,n-1)=F(p,n-p)$$

---

$R^2$解释了X能在多大程度上解释Y
越接近1越好
logistic regression

$$p(x)=\frac{e^{{\beta }_0+{\beta }_{1}x}}{1+e^{{\beta }_0+{\beta }_{1}x}}$$

$$log(\frac{p(x)}{1+p(x)})={\beta }_0+{\beta }_{1}x$$

优化:MLE

$$L({\beta }_0,{\beta }_1)=\prod _{i}p(x_i{)}^{y_1}(1-p(x_i){)}^{1-y_i}$$

带入p（x）取对数。

$$l(\beta )=\sum _i{y}_i{\beta }^T{x}_i-log(1+e^{{\beta }^T{x}_i})$$

FOC:
$$\frac{\partial l(\beta )}{\partial \beta }=$$