清风数学建模--回归系数的解释

回归系数的解释

$$\begin{gathered} y_i={\beta }_0+{\beta }_1{x}_{1i}+{\beta }_2{x}_{2i}+\cdots +{\beta }_k{x}_{ki}+{\mu }_i \\ {y}_i=\widehat{{\beta }_0}+\widehat{{\beta }_2}{x}_{2i}+\cdots +\widehat{{\beta }_k}{x}_{ki} \\ \widehat{{\beta }_0}的数值意义一般不考虑，因为所有的自变量一般不会同时全为0. \\ \widehat{{\beta }_m}(m=1,2,\cdots ,k):控制其他自变量不变的情况下，x_{mi}每增加一个单位，对y_i造成的变化。 \\ 实际上可以用数学中的偏导数来定义:\widehat{{\beta }_m}=\frac{\partial y_i}{\partial x_{mi}} \end{gathered}$$
$$因此多元线性回归模型中的回归系数，也常被称为偏回归系数。$$

什么时候取对数

1. 与市场价值相关的，例如，价格、销售额、工资等都可以取对数;
2. 以年度量的变量，如受教育年限、工作经历等通常不取对数;
3. 比例变量，如失业率、参与率等，两者均可;
4. 变量取值必须是非负数，如果包含0，则可以对y取对数ln(1+y);

取对数的好处

1. 减弱数据的异方差性。
2. 如果变量本身不符合正态分布，取了对数后可能渐近服从正态分布。
3. 模型形式的需要，让模型具有经济学意义。

四种模型回归系数的解释

特殊的自变量：虚拟变量x

如果自变量中又定性变量，例如性别、地域等，在回归中需要如何处理呢？

虚拟变量的解释

为了避免完全多重共线性的影响，引入虚拟变量的个数一般是分类数减1

含有交互项的自变量