回归模型——岭回归和lasso回归

个人学习笔记，课程为数学建模清风付费课程

目录

一、多元线性回归模型的推导

1.1古典回归模型：满足四个假定

1.1.1假定一：线性假定

1.1.2假定二：严格外生性 

1.1.3无完全多重共线性

1.1.4球型扰动项 

二、原理

1.1岭回归

1.2lasso回归

三、岭回归和lasso回归的应用 

2.1安装lassopack命令

2.2使用lasso回归分析棉花产量例题

四、总结：何时使用lasso回归？

---

       在第七讲时，我们介绍了多元线性回归模型，估计回归系数使用的是OLS ，并在最后探讨了异方差和多重共线性对于模型的影响。事实上，回归中关于自变量的选择大有门道，变量过多时可能会导致多重共线性问题造成回归系数的不显著，甚至造成OLS 估计的失效。

       本节介绍到的岭回归和 lasso 回归在 OLS 回归模型的损失函数上加上了不同的惩罚项，该惩罚项由回归系数的函数构成，一方面，加入的惩罚项能够识别出模型中不重要的变量，对模型起到简化作用，可以看作逐步回归法的升级版；另一方面，加入的惩罚项能够让模型变得可估计，即使之前的数据不满足列满秩，在稍后的原理推导中我们将更加详细的说明这一点。

一、多元线性回归模型的推导

1.1古典回归模型：满足四个假定

1.1.1假定一：线性假定

1.1.2假定二：严格外生性 

保证估计回来的回归系数无偏且一致

 

1.1.3无完全多重共线性

保证能估计出来

1.1.4球型扰动项 

二、原理

1.1岭回归

岭回归 (Ridge regression: Hoerl and Kennard, 1970)  的原理和 OLS  估计类似，但是对系数的大小设置了惩罚项。

1.2lasso回归

三、岭回归和lasso回归的应用 

       Stata 中，我们可以安装 lassopack 命令来实现 Lasso  回归，Lassopack 包含三个 Lasso  相关的子命令（输入 help lassopack 可以查看详情）： ‐ 子命令 lasso2  可进行 Lasso  估计 ； ‐ 子命令 cvlasso 可进行 K  折交叉验证（ k‐fold cross  validation ）； ‐ 子命令 rlasso 可以估计惩罚项由数据决定或者高维情形（变量维度超过样本数）。

2.1安装lassopack命令

2.2使用lasso回归分析棉花产量例题

先将Excel数据导入到Stata(自变量的量纲相同所以不用标准化)： 

注：Matlab中zscore函数可以对数据进行标准化处理。 

       我们使用 K 折交叉验证的方法来选择最佳的调整参数。所谓的 K 折交叉验证，是说将样本数据随机分为 K 个等分。将第 1 个子样本作为 “验证集”（validation set ）而保留不用，而使用其余 K-1 个子样本作为 “训练集”（training set ）来估计此模型，再以此预测第 1 个子样本，并计算第 1 个子样本的 “均方预测误差”（Mean Squared Prediction Error ）。其次，将第 2 个

子样本作为验证集，而使用其余 K-1 个子样本作为训练集来预测第 2 个子样本，并计算第 2 个子样本的 MSPE 。以此类推，将所有子样本的 MSPE 加总，即可得整个样本的 MSPE 。最后，选择调整参数 ，使得整个样本的 MSPE最小，故具有最佳的预测能力。

cvlasso 单产 种子费 化肥费 农药费 机械费 灌溉费, lopt seed(520)

       其中，选择项 “ lopt”  表示选择使 MSPE  最小的 λ ，选择项 “ seed(520)”  表示将随机数种子设为 520 （可自行设定），以便结果具有可重复性；默认 K=10（即 10  折交叉验证）。

       上表右边第 1  列即为 Lasso  所估计的变量系数。其中，除常数项外，只有 3  个变量的系数为非零，而其余变量（未出现在表中）的系数则为 0 。考虑到作为收缩估计量的 Lasso  存在偏差（bias ），上表右边第 2  列汇报了 “ Post Lasso”  估计量的结果，即仅使用 Lasso  进行变量筛选，然后扔掉 Lasso  的回归系数，再对筛选出来的变量进行 OLS  回归。

注意：以上结果可能随着我们之前设置的随机数种子变化，因为lasso 回归的估计是近似算法，且剔除的多重共线性变量是相对的。

四、总结：何时使用lasso回归？

       我们首先使用最一般的 OLS 对数据进行回归，然后计算方差膨胀因子VIF，如果 VIF>10 则说明存在多重共线性的问题，此时我们需要对变量进行筛选。

       在第七讲时我们提到可以使用逐步回归法来筛选自变量，让回归中仅留下显著的自变量来抵消多重共线性的影响，学完本讲后，大家完全可以把lasso 回归视为逐步回归法的进阶版，我们可以使用 lasso 回归来帮我们筛选出不重要的变量，步骤如下：（1 ）判断自变量的量纲是否一样，如果不一样则首先进行标准化的预处理；（2 ）对变量使用 lasso 回归，记录下lasso回归结果表中回归系数不为 0 的变量，这些变量就是最终我们要留下来的重要变量，其余未出现在表中的变量可视为引起多重共线性的不重要变量。

       在得到了重要变量后，我们实际上就完成了变量筛选，此时我们只将这些重要变量视为自变量，然后进行回归，并分析回归结果即可。（注意：此时的变量可以是标准化前的，也可以是标准化后的，因为lasso 只起到变量筛选的目的）