Допущения множественной линейной регрессии

12+
12+

2 дня назад

ПожаловатьсяНарушение авторских прав
12+
12+

2 дня назад

ПожаловатьсяНарушение авторских прав
12+
12+

2 дня назад

Множественная линейная регрессия: предположения В этом видео представлен исчерпывающий обзор предположений, которые должны быть выполнены перед проведением множественной линейной регрессии (МЛР). В видео объясняется, почему каждое предположение важно, как его нарушения влияют на результаты и как проверить каждое предположение с помощью графических и статистических методов. Что такое множественная линейная регрессия? Множественная линейная регрессия используется для моделирования взаимосвязи между одной непрерывной зависимой переменной и двумя или более независимыми переменными, предполагая линейную и аддитивную зависимость. Основные предположения множественной линейной регрессии Линейность Между зависимой переменной и каждой независимой переменной должна существовать линейная зависимость. Как проверить: • Диаграммы рассеяния предикторов и результата • Диаграммы частичной регрессии (добавленной переменной) • Диаграмма остатков и подобранных значений (отсутствие систематической закономерности) Независимость наблюдений Наблюдения должны быть независимыми, то есть одно наблюдение не влияет на другое. Как проверить: • Дизайн исследования (случайная выборка, без повторных измерений) • Тест Дарбина-Уотсона (особенно для данных временных рядов) Гомоскедастичность (постоянная дисперсия ошибок) Дисперсия остатков должна оставаться постоянной на всех уровнях прогнозируемых значений. Как проверить: • График остатков относительно прогнозируемых значений • График масштаба-расположения • Тест Бройша-Пагана или Уайта Нормальность остатков Остатки должны быть приблизительно нормально распределены, особенно для достоверной проверки гипотез и доверительных интервалов. Как проверить: • Гистограмма остатков • Q-Q-график • Тест Шапиро-Уилка Отсутствие мультиколлинеарности Независимые переменные не должны быть сильно коррелированы друг с другом, поскольку это увеличивает стандартные ошибки и дестабилизирует оценки. Как проверить: • Корреляционная матрица • Коэффициент инфляции дисперсии (VIF) • Значения допустимых отклонений Отсутствие значимых выбросов или влиятельных наблюдений Экстремальные или влиятельные случаи не должны чрезмерно влиять на коэффициенты регрессии. Как проверить: • Стандартизированные и стандартизированные остатки • Значения рычага • Расстояние Кука Правильная спецификация модели Модель должна быть теоретически обоснована, включая релевантные предикторы и исключая нерелевантные. Как проверить: • Знание предметной области • Диагностика остатков • Статистические показатели сравнения моделей (AIC, BIC, скорректированный R²) Дополнительные проверки перед регрессией, рассмотренные в слайдах: • Уровень измерения переменных (непрерывный результат, соответствующие предикторы) • Обработка пропущенных данных • Выявление нелинейных зависимостей • Оценка эффектов взаимодействия • Кодирование и интерпретация категориальных предикторов (фиктивные переменные) • Предположения, лежащие в основе проверки гипотез (t-критерии и F-критерии) Почему эти предположения важны Нарушение предположений множественной линейной регрессии может привести к: • Смещенным или неэффективным оценкам • Неправильным стандартным ошибкам и p-значениям • Недействительным доверительным интервалам • Вводящим в заблуждение научным выводам

Название:

Допущения множественной линейной регрессии

Категория:

Разное