SixSigma工具 | 多重線性迴歸的適用條件
多重線性迴歸模型作為一種統計模型,它有嚴格的適用條件,在建模時也需要對這些適用條件進行判斷。但是許多使用者往往忽視了這一點,在使用過程中只是單一的構建模型,最終很有可能得出錯誤的結論。因此在應用多重線性迴歸之前,我們應該瞭解它需要滿足哪些前提條件呢?
天行健六西格瑪顧問總結可用4個詞來概況:線性(Linear),獨立(Independence),正態(Normality),齊性(Equal variance),縮寫為LINE原則。
(1) 線性:各自變數xi與因變數yi之間存線上性關係,可以透過繪製散點圖來進行判斷;
(2) 獨立:因變數yi的取值之間相互獨立,反映到迴歸模型中,實際上就是要求殘差ei之間相互獨立;
(3) 正態性:構建多重線性迴歸模型後,殘差ei服從正態分佈;
(4) 方差齊性:殘差ei的大小不隨xi取值水平的變化而變化,即殘差ei具有方差齊性。
只有準確把握了LINE核心原則,才能夠保證構建符合統計學要求的多重線性迴歸模型。但是,由於多重線性迴歸模型具有一定的“抗偏倚性”,如果只是想透過構建方程來探討自變數和因變數之間的關聯性,而非對因變數進行預測,那麼後面兩個條件可以適當放寬。
此外,還應該注意以下幾點:
(5) 因變數yi為連續性變數,而非分類變數;
(6) 自變數xi可以為連續變數,也可以為分類變數,當自變數為多分類無序變數時,則需要設定啞變數,當為有序變數時,則需要根據等級順序進行賦值。
(7) 對於自變數xi的分佈特徵沒有具體的限定,只要求自變數xi間相互獨立,不存在多重共線性;
(8) 對於樣本量的要求,根據經驗一般要求樣本量應當為納入模型的自變數的20倍以上為宜,比如模型納入5個自變數,則樣本量應當在100以上為宜。
來自 “ ITPUB部落格 ” ,連結:http://blog.itpub.net/69995298/viewspace-2913468/,如需轉載,請註明出處,否則將追究法律責任。
相關文章
- 線性迴歸
- 機器學習-線性迴歸機器學習
- 1.3 - 線性迴歸
- 機器學習:線性迴歸機器學習
- 機器學習 | 線性迴歸與邏輯迴歸機器學習邏輯迴歸
- PRML 迴歸的線性模型模型
- 機器學習之線性迴歸機器學習
- 線性迴歸實戰
- 多元線性迴歸模型模型
- 機器學習整理(線性迴歸)機器學習
- 線性迴歸總結
- 4-線性迴歸
- 【機器學習】--線性迴歸從初識到應用機器學習
- 線性迴歸演算法演算法
- 【機器學習】線性迴歸預測機器學習
- 資料分析:線性迴歸
- 機器學習5-線性迴歸機器學習
- 線性迴歸原理小結
- 線性迴歸-程式碼庫
- python實現線性迴歸之簡單迴歸Python
- 線性迴歸-如何對資料進行迴歸分析
- 線性迴歸—求解介紹及迴歸擴充套件套件
- 用scikit-learn和pandas學習線性迴歸
- 機器學習——多元線性迴歸分析(multiple regression)及應用機器學習
- 用 Scikit-Learn 和 Pandas 學習線性迴歸
- TensorFlow實現線性迴歸
- 線性迴歸基礎程式碼
- 【機器學習】線性迴歸原理介紹機器學習
- 【機器學習】線性迴歸sklearn實現機器學習
- spark-mlib線性迴歸Spark
- EVIEWS 簡單線性迴歸 02View
- 機器學習實戰(一)—— 線性迴歸機器學習
- 一元線性迴歸模型模型
- 線性迴歸(吳恩達機器學習)吳恩達機器學習
- spark Ml 機器學習之 線性迴歸Spark機器學習
- 機器學習筆記(1):線性迴歸機器學習筆記
- 機器學習——簡單線性迴歸(上)機器學習
- 機器學習——簡單線性迴歸(下)機器學習