统计回归模型的设计

最新推荐文章于 2023-09-21 23:21:55 发布

LittleDorcas

最新推荐文章于 2023-09-21 23:21:55 发布

阅读量4.1k

点赞数

文章标签：线性回归统计模型

本文链接：https://blog.csdn.net/weixin_43899490/article/details/85039133

版权

本文探讨了统计回归模型的构建，强调了六个基本假设，包括线性关系、正态性、独立性等。通过最小化误差平方和确定目标函数，并介绍了模型的整体拟合检验（如R^2和F检验）、参数显著性检验（t检验）以及残差检验。模型解释部分解释了如何理解X变量对Y的影响。最后，提供了Python代码示例来分析房价与房屋面积的关系。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

这篇文章会从统计建模的方面来说明，机器学习方面的回归模型将放到之后。
一、模型假设
考虑模型如下
在这里插入图片描述
建立回归模型时，需要考虑数据是否满足以下六个条件。满足以下条件的数据才具有用回归模型模拟的意义，同时回归模型对于数据也才具备解释和预测的能力。
指数分布族和广义线性回归（见上篇）可以保证线性回归模型的以下基本假设
a、Y的平均值能够准确地被由X组成的线性函数建模出来
b、解释变量和随机扰动项不存在线性关系
c、解释变量之间不存在线性关系（或强相关）
d、假设随机误差项ε是一个均值为0的正态分布
e、假设随机误差项ε的方差恒为σ^2
f、误差是独立的。
二、目标函数(以一元回归为例)
最小化每个观测到拟合曲线的距离平方和
在这里插入图片描述
对于待求变量求偏导，令其为0

三、模型检验：
统计学中对于模型的检验分为三部分，
一是模型整体拟合情况检验即拟合优度检验，衡量模型预测数据与实际数据的差别来看待模型整体的处理（模型形式/参数选择等&#x

最低0.47元/天解锁文章