回归的误差服从正态分布吗_空间研究中会遇到的一些回归问题

在一开始从做设计到做研究的过程中，会发现建筑领域的研究，没有很明确的研究方法。要分析评价一些现象，多元线性回归是最基本的分析方法。

一、回归什么？

在建筑方面，可以分析人的聚集程度、商场的冷区热区等影响因素；建筑技术方面，有大量分析影响建筑能耗的行为；在规划方面，会分析地块、街道等的POI、土地价格等的影响因素。总之，在研究建成环境时，回归的样本，也就是研究对象很多都是空间。

二、回归前的一些条件

当获得了一系列自变量和因变量，需要先判断它们是否满足线性回归的假设：自变量与因变量存在线性关系，误差正态分布，误差方差齐性，观测间相互独立等等。要求因变量总体服从正态分布，通常都会有一定偏度，可以通过取对数等来正态变换。

三、定性变量和分组问题

1、哑变量。在建筑规划研究中，定性的变量有很多，如当以很多个地块作为研究对象时，地块的属性可能是商业用地、住宅用地、公园绿地等等，又如一个房间可能是卧室、客厅、餐厅等等，这时候自变量中就会有这些属于分类的因子变量。

举例：房屋价格(y)为因变量，那么房屋年龄（x1)为其中一个定量变量，房屋类型（x2)是一个定性自变量。

定性变量

回归结果可能是：y=3+5*[Age]+0.5*[Type_C)-0.8*[Type_I]，即以住宅类型作为参照，商业类型和工业类型分别对价格有正向和负向影响。也就是说，当类型不一样时，模型只是截距不同，而其他系数相同。

含哑变量的线性回归

在R中或大部分软件中，字符串会被自动识别为因子变量，但当分类很多的情况下，也可将其直接分为上述0、1稀疏矩阵。

2、多水平回归

有时候，一个住宅或商场根据所处城市不同，不同组之间的影响差异、回归系数都不同。组数达到30组以上，可以采取多水平模型。如果使用线性回归的话，那么要求因变量总体上服从正态分布，但不要求各组内的方差齐性，以及个体间随机误差的相互独立。

多水平模型

例如，全国住宅i的价格的影响因素，除受到住宅本身因素影响，还受到不同城市j的政策等影响。模型会分为两个水平：城市水平、住宅水平。

第一式表示：

、

为第j个城市中第i个住宅的因变量（如价格）、自变量（如房龄）

第二三式：分别为

对第一式中的

、

建立回归，

为第j个城市特征变量。

可以分析得出城市宏观效应对于微观样本的影响，也可以分析跨水平的交互作用。
四、如何选择好的模型

一般多元线性回归模型中，我们会比较P值来判断变量的显著性，也会看R2来判断模型的拟合程度。如何挑选自变量是一个技术活，可以通过逐步回归的方式进行。但很多情况下会发现，R2并不准确， 它会随着变量个数的增多而递增，逐步回归的结果也并不完全可靠，一些自变量不显著，但是我们仍然难以舍弃：因为我们假设系数为零，构造了t统计量，这个统计量呈正态分布，如果经计算，观测样本会发生的概率很小（如P<0.05），但既然被观测到就是发生了，那么就是说不可能发生的事件居然发生了，说明零假设不成立可以拒绝，那么就是系数显著不为零。但是若P不足够小，也只是证明没有充分的证据拒绝零假设。

总之，删除一些不显著的变量，可能就得到了另外一个模型，用主成分分析又不利于解释，而且如果不去人为的删除一些相关性很强的自变量，得到的模型还是会存在多重共线性的自变量，这样的子集选择有时候也与我们对于城市、建筑的认知不太符合。

五、lasso回归

这时候我们试着用lasso回归来优化。

lasso

上式等价于对于系数矩阵增加了一个限制域，

。在特殊情况下，假设每个样本只有x0,x1二维变量时，这个限制域呈菱形。同时满足RSS最小和在L1范数约束域内的情况，就是如下图的交点位置。

lasso约束域

可以看出，不同的t(或λ）所求得的系数矩阵不同，所以t(或λ）的选取也很重要。一般的，我们希望模型可以较好的拟合已有数据，另一方面也希望模型也可以较好的预测新的数据集，即在模型的方差和偏差之间取得平衡。模型的方差小，意味着来自同一总体的不同的数据子集训练出的模型，系数变动不会很大，但会离真实的模型相差较大，即偏差大（如图）。

偏差大与方差大示意

因此，把样本数据分为训练集和测试集，进行交叉验证，使求得的λ可以在测试集中也取得最小的误差。最后，lasso回归的结果，会给出各个变量的系数。注意，在一般线性回归中，变量不需要标准化，而lasso回归需要进行标准化。