线性回归系数的标准误_量化统计：线性回归

最新推荐文章于 2024-07-16 21:52:05 发布

weixin_39758032

最新推荐文章于 2024-07-16 21:52:05 发布

阅读量1w

点赞数 2

文章标签：线性回归系数的标准误

线性回归是一种建模技术，用于分析两个变量间的线性关系。一元线性模型中，回归系数β表示斜率，其显著性检验通过t检验进行，确保自变量对模型的影响显著。最小二乘法用于找到最优拟合线，减少残差平方和。估计标准误衡量观测数据在回归直线附近的分散，越小表示模型代表性越好。R square（决定系数）是衡量模型拟合优度的指标，值越接近1，拟合效果越好，但过高可能引发过拟合问题。

摘要由CSDN通过智能技术生成

线性回归：衡量两个变量之间线性关系的一种建模技术

一元线性模型：y = α + βx + ε，其中ε 是均值为0，方差为固定常数，满足正态分布，与自变量x相互独立的白噪音。β：回归系数，即斜率；α：截距

回归系数的显著性检验

目的是检测自变量对于回归模型是否有必要。

假设： H0：β = 0， H1：β≠0 ；临界值： Tα/2（n-2）

判断：若 |t| < tα/2, 接受H0，自变量不显著；若 |t| ≥ tα/2, 拒绝H0，回归系数对方程的影响显著

最小二乘法OLS

使实际值y与估计值yc的离差平方和最小，又称最小平方法。Σ（y - yc）² =min最小值

一元线性回归实例：

import numpy as np
import statsmodels.api as sm

# 线性方程： y = 1 + beta * x + mu
# 模拟数据
nsample = 200                       #nsample为样本数量

x = np.linspace(0,10,nsample)       # 生成自变量数组x，其值在1-10等差排列
X = sm.add_constant(x)              # sm.add_constant是在向量左侧加上一列1

beta = np.array([1,10])             # 设置beta_0,b