登录
首页大数据时代回归系列(三)| 谈谈线性回归的残差和预测值
回归系列(三)| 谈谈线性回归的残差和预测值
2020-09-02
收藏

作者:丁点helper 

来源:丁点帮你

前面两篇文章,我们聚焦于线性回归的回归系数,理清了样本与总体回归方程的区别、回归系数的最小二乘法估计等问题,今天我们重点来看看线性回归的残差和预测值。

回归分析的残差

前面我们谈到过样本回归方程有两种写法:

这里,残差的头上也有一个“^”(hat),意味着残差也有总体与样本之分。由上面残差的计算公式也可推知这一点,因为预测值有样本与总体之分,所以残差也自然也是有的。

我们做线性回归的时候一般需满足:

1)线性(L):因变量与自变量之间呈线性关系;

2)独立(I):各观测值相互独立;

3)正态(N):自变量(X)固定时所对应的因变量(Y)服从正态分布

4)方差齐(E):不同自变量取值下因变量的方差相等。

以上四个条件即俗称的LINE条件。这些条件虽然是针对因变量而言的,但我们却可以通过对残差进行分析达到检验的目的。一般而言,如果残差满足以上四个条件,则称线性回归的假设条件得到满足。

(有关回归诊断的问题,后面我们会专门详细介绍。)

回归分析的预测值

看完残差,我们再来看看预测值。这里要指出回归方程的第三种写法(一般对于总体回归):

看到 μ第一反应应该是均数,而且是总体均数(非样本均数),所以 μγ在相关教材上被称作“X取某个特定数值时,Y的条件总体均数”。

这里的“条件总体均数”估计会看晕不少人。所谓“条件”,意味着Y的取值是依据X的取值而定的,“X的取值”是确定Y的前提条件。

由此,严格来说, Ý应该是 μγ 的预测值。

这意味着给定X的取值,我们通过回归获得的是Y的一个平均值。比如前面文章中谈到的教育程度(X)和收入(Y)的回归方程:

当X=15时,可以计算得出 Ý=5000,严格来讲,这里算出的5000并非是某个人的具体收入,而是一群接受了15年教育的人,其收入的平均数。

因为即便是大家都接受了15年教育,但收入也并不完全相同,有的可能一两万,而有的也可能一两千。而我们通过回归获得是收入(Y)在教育程度为15年(X=15)的一个平均数。

理解了这一层,再看下面这图应该会比较轻松。

回归线与竖线的交点,即是回归预测值,也是这个正态曲线的均值。均值对应着正态分布的波峰,意味着即使这一群人的实际收入有差距,但大部分人仍然会围绕5000上下小幅波动(当X=15时)。

这里的正态分布之所以有四个,是因为在不同X的取值水平下,Y的取值会发生(系统性)的变化,即Y的均值会随着X的变化而变化。

这一点其实描述了回归最本质的意义,试想,如果Y的正态分布不随X变化,那意味就X不会对Y产生影响,则两者可能就不存在线性相关。

数据分析咨询请扫描二维码

客服在线
立即咨询