第11章Stata回归诊断与应对

       

目录

11.1异方差检验与应对

案例延伸

11.2自相关检验与应对

案例延伸

11.3多重共线性检验与应对

案例延伸

---

        在上以讲中，简要介绍了最小二乘线性回归，这种方法可以满足大部分的研究需要。但是这种分析方法的有效性建立在变量无异方差、无自相关、无多重线共线性的基础之上。显示生活中很多数据是不满足这些条件的。那就需要用到在本章中介绍的回归诊断与应对方法。本节内容包括三部分，分别是异方差检验与应对、自相关检验与应对、多重先行检验与应对等方法的应用。

11.1异方差检验与应对

        在标准的线性回归模型中，有一个基本假设，整个总体同方差（也就是因变量的变异）不随自身预测值以及其他自变量的值的变化而变化。然后，在实际问题中这一假设条件往往不被满足，会出现异方差的情况，如果继续采用标准的线性回归模型，就会使结果偏向于变异较大的数据，从而发生较大的偏差，所以在进行回归分析是往往需要检验变量的异方差从而提出针对性的解决方案。常用的用于判断数据是否存在异方差的检验方法有绘制残差序列图、怀特检验、BP检验等，解决一方法的方法有使用文件的标准差进行回归以及使用加权最小而成回归分析方法进行回归等。

        数据（案例11.1）是某足球俱乐部拥有自己的一套球员评价体系，他们搜集并整理了其中145名球员的相关数据。表中的内容包括球员的身价、身体情况、精神状况、能力情况、潜力情况，试以球员的身价作为因变量，身体情况、精神状况、能力情况、潜力情况作为自变量，对这些数据使用最小而成回归分析方法进行研究，并进行异方差检验，建立合适的回归方程模型用于描述变量之间的关系。

summarize V1-V5,detail  #本命令的含义是对数据进行描述性统计分析，从整体上探索数据特征，观测数据是否存在极端数据或者变量间的量纲差距过大，从而可能会对回归分析结果造成不利影响。

correlate V1-V5  #本命令旨在对数据进行相关性分析

regress V1-V5  #本命令旨在对数据进行回归分析，探索自变量对因变量的影响情况

vce  #本命令旨在获得变量的方差、协方差矩阵

         我们可以看到各个变量的方差、协方差并不是很大。

test V2 V3 V4 V5 #本命令旨在检验回归分析获得的各个变量系数的显著性。

         我们可以看到模型非常显著在5%的显著性水平上通过了检验。

predict yhat  #旨在获得因变量的拟合值

predict e,resid  #旨在获得回归模型的估计残差