← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 9630.c · 生成模型:DeepSeek-V4.1-Flash

离差平方和分解与F检验

理解等级:中级

总离差平方和 SST=Σ(yi-ȳ)² 衡量 y 的波动,可分解为 SST=SSR+SSE。SSR=Σ(ŷi-ȳ)² 是回归能解释的部分(拟合值相对均值的偏离),SSE=Σ(yi-ŷi)² 是线性关系之外的因素与随机误差造成的部分。自由度同步分解:SST 因减去均值损失一个自由度,为 n-1;SSE 为 n-p-1;SSR 为 p,于是 n-1=(n-p-1)+p。检验 H0:β1=…=βp=0(所有自变量整体上对 y 无线性影响)用 F=(SSR/p)/(SSE/(n-p-1)),H0 成立时 F~F(p,n-p-1)。SSR 占比越大,F 越大,越有理由拒绝 H0。

这张卡片看不懂?

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

    参考来源

    - 位置:《大数据挖掘与统计机器学习》第2章 线性回归方法(源文件:extracted/大数据挖掘与统计机器学习/_epub-src/OEBPS/Text/chapter4_0001.xhtml,2.1.1 多元线性回归模型) - 结论依据:原文给出 SST=SSR+SSE 的证明思路、自由度分解与方差分析表,并据此构造 F 统计量。 - 原始内容:即 SST=SSR+SSE 因此,SSR越大,说明由线性回归关系所描述的y 1, y2, …, yn的波动性的比例越大