本文深入探讨回归分析中的关键统计量，包括回归系数、T检验、P值、可决系数、调整后的可决系数、残差标准误和F统计量等。强调了截距项的无实际意义，以及如何评估模型的可靠性和解释能力。此外，还讨论了DW检验值在检测序列自相关中的应用。
01 回归系数
注意回归系数的正负要符合理论和实际。截距项的回归系数无论是否通过T检验都没有实际的经济意义。
02 回归系数的标准差
标准误差越大，回归系数的估计值越不可靠，这可以通过T值的计算公式可知(自查)。
03 T检验
T值检验回归系数是否等于某一特定值，在回归方程中这一特定值为0，因此T值=回归系数/回归系数的标准误差，因此T值的正负应该与回归系数的正负一致，回归系数的标准误差越大，T值越小，回归系数的估计值越不可靠，越接近于0。另外，回归系数的绝对值越大，T值的绝对值越大。
04 P值
P值为理论T值超越样本T值的概率，应该联系显著性水平α相比，α表示原假设成立的前提下，理论T值超过样本T值的概率，当P值
05 可决系数(R-squared)
都知道可决系数表示解释变量对被解释变量的解释贡献，其实质就是看(y尖-y均)与(y=y均)的一致程度。y尖为y的估计值，y均为y的总体均值。
06 调整后的可决系数
即经自由度修正后的可决系数，从计算公式可知调整后的可决系数小于可决系数，并且可决系数可能为负，此时说明模型极不可靠。
07 回归残差的标准误
残差的经自由度修正后的标准差，OLS的实质其实就是
最低0.47元/天 解锁文章
扫一扫
4万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
