用方差稳定变换y=√y消除异方差用R怎么做

Python097

用方差稳定变换y=√y消除异方差用R怎么做,第1张

用方差稳定变换y=√y消除异方差用R做法:原模型y=a+bx+e的异方差指的是随机干扰项e存在异方差。

在样本回归函数中，随机干扰项不能观测，只能观测残差项，利用怀特检验等方法可以得到异方差与自变量的某种关系，即异方差结构，比如e^2=d*x^2等，用此关系作为异方差结构估计，在样本函数两侧同时除以权重x^2即可以得到异方差调整后满足经典假设的模型从而得到有效的参数估计。

后向误差分析

其理论由詹姆斯·威尔金森（James H. Wilkinson）提出和推广，可用于确定实现数字函数的算法在数值是否稳定。方法表明，尽管由于舍入误差而导致的计算结果不完全正确，但这是一个精确的解决方案。 如果所需的扰动小，按照输入数据的不确定性的顺序，则结果在某种意义上与数据“应得的”一样准确。 然后将算法定义为向后稳定。

这个问题之前也困扰着我，查了相关的数据，下面是我自己整理的一些，供你参考。从怀特检验看OBS的p值很小，说明存在异方差，修正的方法有好几种，我介绍两种吧，第一种是在回归前先将变量进行对数处理，能够很好的减少数据波动以及异方差的问题，第二种是加权最小二乘法（wls），quick-estimate equation界面，点击option，权重那块，填入所选择的权重就可以了。权重的选择上，目前我找的资料里的方法是可选用1/√X，1/X， 1/X^2，X，√X，X^2（生成变量W分别等于这些权重）。之后将加权后的方程再进行怀特检验，选一个最好的权重就ok啦。