本文主要是介绍2-4回归模型的诊断和优化 - 违背基本假设，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
0 回顾：回归模型的基本假设
线性回归有几个基本的前置假设条件
- 零均值：随机误差项均值为0 ，保证未考虑的因素对被解释变量没有系统性的影响
- 同方差：随机误差项方差相同，在给定
的情况下，
的条件方差为某个常数
- 无自相关：两个
- 正态分布：
- 解释变量
是非随机变量，其观测值是常数
- 解释变量之间不存在精确的线性关系
- 样本个数要多与解释变量的个数
1、常见的不满足基本假设的情况
1.1、异方差
回归模型的中的异方差是指随机误差项的方差不是一个常数，而是随着自变量的取值变化而变化。
由于不满足回归分析中的同方差的前提假设，异方差将可能带来以下几个问题：
-
对使用最小二乘法（OLS）求解参数时 ，参数估计值虽然无偏，但不是最小方差线性无偏估计
-
参数显著性检验失效
-
回归方程的应用效果不理想
造成异方差的常见原因：
- 模型缺少了某些解释变量，缺省变量本身的方差被包含在了随机误差的方差中
- 模型本身选取有误，比如原来是非线性的，结果使用了线性模型
- 其他原因，包括不限于样本量过少、测量误差、异常数据、时序分析或者使用面板数据等
异方差的检验：
残差图分析：
- 坐标选择：纵坐标为残差
,横坐标视情况而定，可选择：
这篇关于2-4回归模型的诊断和优化 - 违背基本假设的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
