知识卡片
线性回归的五个假设条件
线性回归解释应检查函数形式、误差与自变量的关系、观测依赖、方差结构及共线性。经典小样本精确t/F推断通常还使用条件误差正态与同方差假设,但目标变量的边际分布不必正态。非完全共线影响稳定性,完全共线影响可识别性;重复测量可用相应相关结构模型。不能把取对数、删异常或增加样本量当通用修复。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 第11章 机器学习模型可解释性 11.2 常见的可解释模型 · 查看原书依据
线性回归模型要求输入建模的每个数据实例独立于任何其他实例。若使用正常的线性回归模型对同一个体多次测量的数据建模,可能会得出错误的结论,这种情况需要使用特殊的线性回归模型,例如广义线性混合模型(Generalized Linear Mixed Model, GLMM)。
参考来源
- 位置:《数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow》第11章 机器学习模型可解释性,11.2 常见的可解释模型(来源项目a19c7933-4eda-4176-aebd-30fe7e1ad292;源文件:extracted/数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow/_epub-src/OEBPS/Text/part0062.xhtml)
- 结论依据:原文讨论线性、正态、独立和共线性;结合第6章明确的误差条件,区分条件误差分布与目标的边际分布,避免把正态性当一切OLS计算的必需条件。
- 原始内容:线性回归模型要求输入建模的每个数据实例独立于任何其他实例。若使用正常的线性回归模型对同一个体多次测量的数据建模,可能会得出错误的结论,这种情况需要使用特殊的线性回归模型,例如广义线性混合模型(Generalized Linear Mixed Model, GLMM)。