多元线性解释性回归分析

数据类型不同选择的不通预测模型

数据获取方式

模型预测存在内生性

回归系数的解释

四种回归数据的解释

box-cox变换

啥时候构造函数取对数（不能很好的服从正态分布）：

取对数就是box-cox变换其中一种形式

虚拟变量的解释

多变量虚拟变量的设置

stata中的数据处理

数据描述

数据独特编码：

对于每一个定型的独特编码可以进行饼状图进行显示，更价值观（像这样）：

数据指标名称的解释

异方差检验和修正

异方差检验

图形化

BP检验

原假设：扰动项不存在异方差
P值小于0.05，说明在95%的置信水平下拒绝原假设，即我们认为扰动项存在异方差。

怀特检验（和图像结合使用）

异方差解决

OLS和稳健的标准误

多重共线性

多重共线性的判定

处理方式

不能出现完全共线性,逗号为英文的:

回归

注意：回归之前最好不要进行归一化和标准化，第一：无法解释变量，第二：可能造成系数影响使正负难以区分。

构造函数,实际上可以加上ln函数，不过要简单说明box-cox：
$$y_1={\beta }_0+\sum _{i=1}^m{\beta }_i{x}_i+{ϵ}_i$$
F(19，826)就是F检验构造的联合显著性检验：

${\beta }_1={\beta }_2={\beta }_3=...={\beta }_m=0$
Prob > F就是P值

下表中的$P>|t|$就是单个变量对应的P值，P值小于0.05，代表在95%置信水平下，该回归系数显著的异于0

根据每个变量的p值确定是否保留变量，从而进行解释变量。

对于R^2较小的解释

标准化回归

若要得到那个特征值对于结果值有最重要的程度，我们要消去量纲对于参数的影响，就是标准化回归