共線性
- 考慮多重共線性影響的中國(guó)財(cái)政收入實(shí)證研究
關(guān)系，也稱多重共線性問(wèn)題，即模型解釋變量中存在線性關(guān)系而使得模型難以估計(jì)或失真。廣大學(xué)者對(duì)此提出了許多解決方法，比如主成分回歸分析法、差分法、逐步回歸法、嶺回歸法、偏最小二乘估計(jì)法等，以期更為準(zhǔn)確地估計(jì)模型。財(cái)政收入預(yù)測(cè)是財(cái)政部門編制預(yù)算的基礎(chǔ)，甚至?xí)绊懻鞒龊侠頊?zhǔn)確財(cái)政決策。因此，本文細(xì)致描述多種解決多元回歸模型中多重共線性問(wèn)題的估計(jì)方法，科學(xué)分析財(cái)政收入影響因素，對(duì)未來(lái)的財(cái)政收入進(jìn)行預(yù)測(cè)并提高系數(shù)估計(jì)精度具有現(xiàn)實(shí)意義。2 文獻(xiàn)綜述2.1 財(cái)政收入影
中國(guó)商論 2023年21期2023-11-15
- 板藍(lán)與葡萄、漾濞槭基因組的共線性分析
ense）進(jìn)行共線性分析和全基因組比對(duì)分析，旨在厘清板藍(lán)基因組的進(jìn)化歷程，探究板藍(lán)的生物學(xué)功能。1 材料與方法1.1 植物基因組數(shù)據(jù)從不同的網(wǎng)站下載了每個(gè)基因組項(xiàng)目的基因組序列和注釋文件。葡萄的基因組數(shù)據(jù)可以在NCBI 上找到（https://www.ncbi.nlm.nih.gov/），漾濞槭的基因組信息可以在GenBank 找到（http://www.ncbi.nlm.nih.gov/genbank/），板藍(lán)的基因組數(shù)據(jù)可以在CNGB Sequence
南方農(nóng)業(yè) 2023年15期2023-11-04
- 板藍(lán)與葡萄、漾濞槭基因組的共線性分析
關(guān)鍵詞 板藍(lán)；共線性；多倍化；全基因組比對(duì)；同義核苷酸替換率中圖分類號(hào)：S567.23+9 文獻(xiàn)標(biāo)志碼：A DOI：10.19415/j.cnki.1673-890x.2023.15.003板藍(lán)（Strobilanthes cusia）是爵床科灌木狀多年生草本植物，廣泛分布在我國(guó)的四川、貴州、浙江和福建等地。板藍(lán)全身皆可入藥，根被稱為“南板藍(lán)根”，莖和葉經(jīng)加工后可得青黛，能夠治療病毒性肝炎、流感、感冒、肺炎、炎癥、皰疹、丹毒、蛇咬傷等[1]，青黛是牛黃消
南方農(nóng)業(yè)·上旬 2023年8期2023-11-03
- 基于嶺回歸的河西走廊中部日光溫室低溫預(yù)測(cè)模型
變量存在的多重共線性對(duì)模型穩(wěn)定性的影響。多重共線性使參數(shù)的最小二乘方差很大，各回歸系數(shù)的符號(hào)可能出現(xiàn)錯(cuò)誤的現(xiàn)象，其系數(shù)對(duì)樣本數(shù)據(jù)的微小變化可能變得敏感[4]。處理共線性的方法常有主成分回歸、嶺回歸、神經(jīng)網(wǎng)絡(luò)模擬法等，李寧等[5]應(yīng)用主成分回歸分析的方法，建立了日光溫室內(nèi)最低溫度預(yù)報(bào)模型；金志鳳等[6]構(gòu)建了BP 神經(jīng)網(wǎng)絡(luò)模型，進(jìn)行了楊梅大棚內(nèi)氣溫預(yù)測(cè)。關(guān)于嶺回歸分析模型在日光溫室低溫預(yù)測(cè)中的應(yīng)用目前還未見(jiàn)報(bào)道，嶺回歸是一種專用于共線性數(shù)據(jù)分析的有偏估計(jì)回歸
農(nóng)學(xué)學(xué)報(bào) 2023年5期2023-08-01
- 植物SUS基因家族的系統(tǒng)進(jìn)化及其在玉米中的干旱誘導(dǎo)表達(dá)分析
系統(tǒng)進(jìn)化及基因共線性分析使用MAFFT對(duì)鑒定出的SUS蛋白質(zhì)序列進(jìn)行多序列比對(duì)[23]。以來(lái)自膠球藻(Coccomyxasubellipsoidea)的SUS蛋白作外類群[24],使用FastTree構(gòu)建系統(tǒng)發(fā)育樹(shù)。使用DIAMOND進(jìn)行物種間和種內(nèi)的基因組序列比對(duì),MCScanX對(duì)共線性區(qū)域進(jìn)行檢測(cè)[25],Rstudio對(duì)結(jié)果進(jìn)行調(diào)取,Gephi將共線性結(jié)果可視化。1.3 SUS蛋白的理化性質(zhì)和亞細(xì)胞定位預(yù)測(cè)使用ExPASy Compute pI/Mw
干旱地區(qū)農(nóng)業(yè)研究 2023年3期2023-05-27
- 一種基于單形空間缺失數(shù)據(jù)的補(bǔ)全方法
換后存在的多重共線性數(shù)據(jù)的填補(bǔ)方法，并結(jié)合主成分分析法提出了一種較為有效的參考解決路徑。1 單形空間的代數(shù)體系為了實(shí)現(xiàn)單形空間到歐氏空間的正交變換，本文給出單形空間對(duì)于向量的加法、數(shù)乘、內(nèi)積以及距離的如下定義。（1）向量的加法：對(duì)于任意X,Y∈SD，向量X,Y的加法運(yùn)算⊕定義為式中，A[.]為封閉運(yùn)算，即（2）向量的數(shù)乘：對(duì)于任意X∈SD，任意實(shí)數(shù)a∈R，a與向量X的數(shù)乘運(yùn)算?定義為（3）向量的內(nèi)積：對(duì)于任意X,Y∈SD，向量X,Y的內(nèi)積定義為（4）向量的
現(xiàn)代計(jì)算機(jī) 2022年19期2022-12-08
- 基于Ks分布的被子植物演化的時(shí)間尺度研究
或者基因組間的共線性同源基因(Jiao et al., 2011)。對(duì)共線性同源基因的分析，是揭示古代的多倍化或物種分歧事件并推定其發(fā)生時(shí)間和規(guī)模的重要途徑。多倍化發(fā)生后植物基因組通常會(huì)變得很不穩(wěn)定，進(jìn)化速率也變得顯著不同。由于減少了選擇性約束，因此這些重復(fù)基因通常以更快的速度進(jìn)化(Wang et al., 2016)。例如，在葫蘆科植物基因組的研究中發(fā)現(xiàn)，甜瓜的進(jìn)化速度最慢，西瓜和黃瓜的進(jìn)化速度分別快23.6%和27.4%(Wang et al., 20
廣西植物 2022年10期2022-11-16
- 白蠟蟲(chóng)脂酰輔酶A 還原酶基因家族鑒定及序列分析*
far 基因的共線性Circos 分析使用Mauve 2.3.0 軟件對(duì)白蠟蟲(chóng)far基因進(jìn)行共線性分析，參數(shù)和視圖使用默認(rèn)值。得到far基因的共線性區(qū)域，連接共線性較好的far基因；利用Circos 對(duì)共線性結(jié)果進(jìn)行可視化。1.5 系統(tǒng)進(jìn)化樹(shù)的構(gòu)建利用ClustalX 軟件對(duì)白蠟蟲(chóng)far基因氨基酸序列進(jìn)行多序列比對(duì)，然后將得到的結(jié)果導(dǎo)入MEGA 6.0 軟件，使用鄰接法(Bootstrap=1 000)構(gòu)建系統(tǒng)進(jìn)化樹(shù)[18]；使用ClustalX 軟件對(duì)不
云南農(nóng)業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)) 2022年5期2022-09-22
- 小麥BES1基因家族的比較基因組學(xué)分析
育、基因結(jié)構(gòu)和共線性關(guān)系等方面進(jìn)行了全基因組比較分析，同時(shí)進(jìn)一步探討了小麥BES1基因家族成員在小麥不同組織(器官)的表達(dá)模式，以期為進(jìn)一步探索BES1基因家族成員的功能及其進(jìn)化情況奠定基礎(chǔ)。1 材料與方法1.1 BES1基因家族的鑒定從植物參考基因組數(shù)據(jù)庫(kù)Ensembl Plants(http://plants.ensembl.org/)下載小麥、大麥、水稻、玉米、高粱、谷子(6種常見(jiàn)的禾本科作物)以及擬南芥(十字花科模式植物)的基因組數(shù)據(jù)，包括基因組序
麥類作物學(xué)報(bào) 2021年10期2021-12-08
- 基于多元線性回歸模型的湖南省糧食產(chǎn)量的影響因素分析
及顯著性檢驗(yàn)、共線性診斷等數(shù)據(jù)，由此得到的模型為：表2 湖南省糧食產(chǎn)量逐步回歸結(jié)果y^=6523.35+0.598x2-9.027x3表中第二個(gè)模型的t檢驗(yàn)所對(duì)用的P值均小于0.05，這說(shuō)明有限灌溉面積和化肥施用量對(duì)湖南省每公頃面積糧食產(chǎn)量有顯著影響。有限灌溉面積的標(biāo)準(zhǔn)化系數(shù)Beta相比化肥施用量的標(biāo)準(zhǔn)化系數(shù)Beta更大，說(shuō)明有限灌溉面積較化肥施用量來(lái)說(shuō)，其對(duì)湖南省每公頃面積糧食產(chǎn)量影響更大。對(duì)回歸模型共線性的診斷：雖然自變量對(duì)因變量的影響顯著，但自變量之
黑龍江糧食 2021年7期2021-08-11
- 南瓜SWEET蛋白家族的全基因組鑒定與進(jìn)化分析
、啟動(dòng)子預(yù)測(cè)、共線性預(yù)測(cè)和基因復(fù)制等進(jìn)行綜合分析。結(jié)果表明：共鑒定到21個(gè)CmSWEET 基因，通過(guò)系統(tǒng)發(fā)育分析將21個(gè)CmSWEET基因分為4個(gè)亞族（I，II，III和IV），分別包含3、5、10和3個(gè)基因。此外，通過(guò)基因結(jié)構(gòu)、跨膜結(jié)構(gòu)域和保守基序發(fā)現(xiàn)CmSWEET在進(jìn)化過(guò)程中是非常保守的。染色體定位結(jié)果顯示，CmSWEET基因不均勻地分布在21條中國(guó)南瓜染色體中的13條染色體上，且在染色體Cm00、Cm01、Cm03、Cm05、Cm07、Cm09、Cm
廣西植物 2021年1期2021-03-24
- 銀行不良貸款額影響因素分析
差，自相關(guān)性，共線性問(wèn)題，通過(guò)加權(quán)最小二乘模型、迭代法消除這些問(wèn)題。從而得出社會(huì)消費(fèi)品零售總額對(duì)降低不良貸款余額貢獻(xiàn)度最大，影響效果最好;股票價(jià)格指數(shù)對(duì)降低不良貸款額有反向抵制作用，且股票價(jià)格指數(shù)對(duì)其抵制作用最大。關(guān)鍵詞：不良貸款;異方差;自相關(guān);共線性;加權(quán)最小二乘;迭代法;嶺回歸一、引言銀行的不良貸款影響著銀行的盈利能力和核心競(jìng)爭(zhēng)力，同時(shí)也影響銀行業(yè)安全和宏觀經(jīng)濟(jì)穩(wěn)定發(fā)展。研究我國(guó)不良貸款的形成途徑和影響因素對(duì)于防范不良貸款有重要意義。金融危機(jī)的發(fā)生很
科學(xué)與財(cái)富 2021年3期2021-03-08
- 嶺回歸在消除多重共線性中的應(yīng)用
要通過(guò)消除多重共線性，實(shí)現(xiàn)數(shù)學(xué)模型的精準(zhǔn)估計(jì)。多重共線性也可稱作多重相關(guān)性，指自變量之間存在線性相關(guān)現(xiàn)象，當(dāng)自變量之間存在完全線性關(guān)系時(shí)，則自變量之間的相關(guān)性絕對(duì)值為1；當(dāng)自變量之間完全沒(méi)有線性關(guān)系時(shí)，自變量之間的相關(guān)性為0。上述說(shuō)明的是2種極端的自變量線性相關(guān)關(guān)系，通常來(lái)說(shuō)，目前極易出現(xiàn)的是線性程度不同的相關(guān)現(xiàn)象，自變量之間的相關(guān)性絕對(duì)值在0到1之間變化。針對(duì)回歸分析的多重共線性問(wèn)題，文獻(xiàn)[1]提出嶺回歸中基于廣義交叉核實(shí)法的最優(yōu)模型平均估計(jì)方法，在存在
- 基于主成分回歸分析的顏色與物質(zhì)濃度辨識(shí)研究
關(guān)數(shù)據(jù)進(jìn)行多重共線性診斷，得到了變量間存在顯著的復(fù)共線性，構(gòu)建主成分回歸分析模型，得到較于一般最小二乘法回歸方程更小誤差的主成分回歸方程，并給出了模型的誤差分析.1 顏色讀數(shù)與物質(zhì)濃度辨識(shí)分析經(jīng)過(guò)對(duì)5組數(shù)據(jù)進(jìn)行處理發(fā)現(xiàn)，顏色讀數(shù)在不同的水溶液濃度下具有一定的相關(guān)關(guān)系.初步判斷組胺、溴酸鉀、工業(yè)堿、硫酸鋁鉀的溶液濃度都隨著顏色讀數(shù)變化而變化，而奶中尿素濃度隨顏色讀數(shù)的變化波動(dòng)性比較大.從數(shù)據(jù)中可以得到顏色讀數(shù)在不同的水溶液濃度下具有一定的相關(guān)線性關(guān)系.在進(jìn)行
商丘師范學(xué)院學(xué)報(bào) 2020年9期2020-07-13
- 基于主成分分析法的赤足跡預(yù)測(cè)身高模型
模型會(huì)出現(xiàn)多重共線性問(wèn)題，多重共線性可能會(huì)導(dǎo)致分析結(jié)果出現(xiàn)一些不合理的情況。本文選用主成分分析法和多元回歸結(jié)合的方式通過(guò)赤足跡建立預(yù)測(cè)身高模型。1 研究變量與分析1.1 變量選取研究對(duì)象是中國(guó)刑警學(xué)院在校學(xué)生和干訓(xùn)學(xué)員，實(shí)驗(yàn)對(duì)象沒(méi)有足部疾病，在相同的實(shí)驗(yàn)環(huán)境下采用油墨捺印的方式讓實(shí)驗(yàn)對(duì)象自然行走。共采集100 人的赤足跡。結(jié)合當(dāng)前已有的研究成果[1-4]，以左足跡為例選取8 個(gè)變量進(jìn)行主成分分析。分別是跖內(nèi)緣到跟平行線(X1)、足長(zhǎng)(X2)、跖寬(X3)、
科技傳播 2020年8期2020-05-21
- 銀行不良貸款額影響因素分析
差，自相關(guān)性，共線性問(wèn)題，通過(guò)加權(quán)最小二乘模型、迭代法消除這些問(wèn)題。從而得出社會(huì)消費(fèi)品零售總額對(duì)降低不良貸款余額貢獻(xiàn)度最大，影響效果最好;股票價(jià)格指數(shù)對(duì)降低不良貸款額有反向抵制作用，且股票價(jià)格指數(shù)對(duì)其抵制作用最大。關(guān)鍵詞：不良貸款;異方差;自相關(guān);共線性;加權(quán)最小二乘;迭代法;嶺回歸一、引言銀行的不良貸款影響著銀行的盈利能力和核心競(jìng)爭(zhēng)力，同時(shí)也影響銀行業(yè)安全和宏觀經(jīng)濟(jì)穩(wěn)定發(fā)展。研究我國(guó)不良貸款的形成途徑和影響因素對(duì)于防范不良貸款有重要意義。金融危機(jī)的發(fā)生很
科學(xué)與財(cái)富 2020年33期2020-03-10
- 基于嶺回歸的山東省城鎮(zhèn)化對(duì)碳排放的影響分析
與求解1.多重共線性診斷由于在構(gòu)建多元線性模型時(shí)，選取的自變量之間完全不相關(guān)的概率非常低。這種相關(guān)關(guān)系被稱為數(shù)據(jù)之間的共線性問(wèn)題，共線性問(wèn)題會(huì)導(dǎo)致回歸參數(shù)不穩(wěn)定，增加或減少一個(gè)樣本點(diǎn)，回歸系數(shù)的估計(jì)值會(huì)發(fā)生巨大變化。因此，需對(duì)自變量之間的關(guān)系進(jìn)行判斷。下面借助SPSS軟件，通過(guò)比較方差擴(kuò)大因子法得到的VIF值的大小來(lái)判斷所選數(shù)據(jù)是否有多重共線性，診斷結(jié)果如表1所示。表1 多重共線性診斷由表1多重共線性診斷可知，總?cè)丝赑的VIF值為113.645，在區(qū)間內(nèi)，
時(shí)代經(jīng)貿(mào) 2020年1期2020-02-27
- 基于嶺回歸的工資預(yù)測(cè)模型
設(shè)成為解決多重共線性問(wèn)題的關(guān)鍵。通用解會(huì)丟失變量提供的有用信息，降低模型的解釋度，從而影響模型的應(yīng)用價(jià)值。不同嶺回歸方法，該方法是給保持無(wú)偏的，有用的信息模型變量的估計(jì)，具有較小的平均平方誤差獲得的模型參數(shù)，從而穩(wěn)定模型參數(shù)以改善模型的解釋這個(gè)問(wèn)題的能力。嶺回歸是解決數(shù)據(jù)共線性這種病態(tài)特征的有效方法，是最小二乘法的改進(jìn)，估計(jì)的參數(shù)能真正反映自變量與因變量之間的客觀聯(lián)系，在一些領(lǐng)域獲得了成功應(yīng)用。二、工資預(yù)測(cè)的嶺回歸模型(一)變量的抽象過(guò)程隨著我國(guó)綜合實(shí)力日
新?tīng)I(yíng)銷 2019年8期2019-12-24
- 關(guān)于多重共線性的三個(gè)知識(shí)點(diǎn)的準(zhǔn)確表述
各列之間的多重共線性越強(qiáng)，的方差越大．稱為的方差擴(kuò)大因子，記為VIFi．本文在文[2]給出的下述（不完全）多重共線性定義基礎(chǔ)上討論．定義1 當(dāng)存在一個(gè)解釋變量（不妨設(shè)為X1）與其它解釋變量X2,…,Xk的樣本復(fù)相關(guān)系數(shù)R1·大于0小于1 時(shí)，就稱樣本X（或設(shè)計(jì)矩陣X的列向量）存在（不完全）多重共線性，或稱設(shè)計(jì)矩陣X的第2列與其它各列之間存在（不完全）多重共線性；當(dāng)R1·=1時(shí)，就稱樣本X（或設(shè)計(jì)矩陣X的列向量）存在完全多重共線性，或稱設(shè)計(jì)矩陣X的第2列與其
- 發(fā)育生物學(xué)奠基人：劉易斯
調(diào)控基因之間的共線性關(guān)系，為發(fā)育生物學(xué)研究奠定了堅(jiān)實(shí)基礎(chǔ)，因此榮膺1995年諾貝爾生理學(xué)或醫(yī)學(xué)獎(jiǎng)。生命從一個(gè)受精卵最終形成完整個(gè)體的過(guò)程稱為發(fā)育。這個(gè)過(guò)程既至關(guān)重要，又高度復(fù)雜，因此它的精細(xì)調(diào)控，無(wú)疑成為眾多生命科學(xué)家試圖破解的難題之一。1970年代末，多位果蠅遺傳學(xué)家鑒定了發(fā)育調(diào)控的一系列關(guān)鍵基因，從而為發(fā)育生物學(xué)研究打開(kāi)一扇嶄新的大門，美國(guó)科學(xué)家劉易斯（Edward Butts Lewis）為此做出了奠基性貢獻(xiàn)。鐘情果蠅1918年5月20日，劉易斯出生
科學(xué) 2019年2期2019-09-10
- 運(yùn)用SPSS軟件對(duì)試驗(yàn)數(shù)據(jù)回歸建模開(kāi)發(fā)高強(qiáng)高導(dǎo)熱壓鑄鋁合金材料
．VIF(多重共線性檢驗(yàn)值)反映自變量之間存在某種函數(shù)關(guān)系.此時(shí)無(wú)法做到固定其他條件單獨(dú)考查一個(gè)自變量的作用，所觀察的這個(gè)自變量效應(yīng)總是混雜了其他自變量的作用，使得對(duì)自變量效應(yīng)的分析不準(zhǔn)確而造成分析誤差，所以在分析鋁合金材料成分之間有沒(méi)有存在明顯的交互作用，需要進(jìn)行多重共線性的判斷和排除多重共線性的影響．VIF值越大，顯示共線性越嚴(yán)重．一般判斷：當(dāng)VIF表1 試驗(yàn)基礎(chǔ)數(shù)據(jù)2.2 運(yùn)行選項(xiàng)的設(shè)定根據(jù)所需分析的主要參數(shù)，在運(yùn)行SPSS中設(shè)定了以下相應(yīng)的選項(xiàng)：每
材料研究與應(yīng)用 2019年2期2019-07-25
- 文氏圖在計(jì)量統(tǒng)計(jì)類課程教學(xué)中的應(yīng)用
——以多重共線性內(nèi)容為例
量間不存在多重共線性，但在實(shí)際研究中，模型中的解釋變量間往往存在不同程度的共線性問(wèn)題，對(duì)此情形需要進(jìn)行相應(yīng)的消除解決，再行應(yīng)用OLS。多重共線性的內(nèi)容在“統(tǒng)計(jì)學(xué)”“計(jì)量經(jīng)濟(jì)學(xué)”課程中都有涉及，也是教學(xué)中的一個(gè)重點(diǎn)和難點(diǎn)。在教學(xué)實(shí)踐中，一般采用定義數(shù)學(xué)方程、矩陣等講授，但涉及數(shù)學(xué)知識(shí)點(diǎn)多，理論講解相對(duì)費(fèi)時(shí)，如果學(xué)生數(shù)學(xué)基礎(chǔ)不扎實(shí)，那么對(duì)這部分的內(nèi)容理解起來(lái)就相對(duì)吃力。通過(guò)引入文氏圖，可有助于這部分內(nèi)容講解和學(xué)生的理解。文氏圖屬于集合論數(shù)學(xué)分支，用于展示不同集
長(zhǎng)沙航空職業(yè)技術(shù)學(xué)院學(xué)報(bào) 2019年2期2019-07-13
- 基于顏色讀數(shù)與二氧化硫物質(zhì)濃度回歸模型研究
。3.2 多重共線性判斷判斷多重共線性方法有多種，本文選用基于方差膨脹因子的多重共線性方法[9-11]。模型為自變量xi關(guān)于其它自變量的多元線性回歸，計(jì)算模型的判定系數(shù)，定義第i個(gè)自變量的方差膨脹因子：當(dāng)自變量xi與其它自變量線性相關(guān)顯著，接近于1，VIFi接近于無(wú)窮大，反之，接近于0，VIFi接近于1。VIFi越大說(shuō)明線性相關(guān)越顯著，即存在共線性。VIF＜5，為共線性較弱；5 ≤VIF≤10,為中等程度共線性；VIF＞10，為共線性嚴(yán)重，必須設(shè)法消除共線
中國(guó)建材科技 2019年2期2019-07-01
- 不完全多重共線性定義存在的問(wèn)題及其修正建議
2 不完全多重共線性定義存在的問(wèn)題文[1]指出了目前廣泛應(yīng)用的計(jì)量經(jīng)濟(jì)學(xué)教材[2-8]中不完全多重共線性定義存在的問(wèn)題，但僅就解釋變量為隨機(jī)變量的情況給了一個(gè)新的定義.本文試圖進(jìn)一步分析不完全多重共線性概念的內(nèi)涵與外延，給出合理定義.下面分析廣泛使用的計(jì)量經(jīng)濟(jì)學(xué)教材和應(yīng)用回歸分析教材中給出的三種定義存在的問(wèn)題.2.1 計(jì)量經(jīng)濟(jì)學(xué)教材中存在的問(wèn)題1其中vi為隨機(jī)變量（X0表示所有樣本都取1的解釋變量）.使（4）式成立.使（4）式成立.所以，如上定義不完全多重
- 巷道復(fù)合頂板變形失穩(wěn)的控制因素分析
分分析和基于復(fù)共線性診斷的線性回歸分析；最后，得出復(fù)合頂板變形失穩(wěn)影響因素的敏感系數(shù)，進(jìn)而確定主要影響因素。1 正交試驗(yàn)1.1 正交設(shè)計(jì)通過(guò)閱讀大量的文獻(xiàn)篩選出對(duì)復(fù)合頂板變形失穩(wěn)影響相對(duì)顯著的6種因素[1-9]：頂板巖性特征、巷道斷面尺寸、原巖應(yīng)力、各分層的厚度、軟弱夾層的位置和軟弱夾層的厚度。將6個(gè)影響因素劃分為5個(gè)水平，正交表選用L25(56)，試驗(yàn)指標(biāo)為頂板的最大下沉量。將復(fù)合頂板的巖性設(shè)置為砂巖和泥巖兩種巖性組合，復(fù)合頂板的分層數(shù)目設(shè)置為4層。由于
- 嶺回歸和核主成分回歸在消除共線性中的實(shí)證分析及比較
常常會(huì)遇到多重共線性的問(wèn)題.當(dāng)自變量之間存在嚴(yán)重的多重共線性時(shí)，使用最小二乘法得到的回歸模型的有效性就會(huì)大大降低，模型穩(wěn)定性也會(huì)變得很差，同時(shí)給回歸系數(shù)的統(tǒng)計(jì)檢驗(yàn)及回歸系數(shù)的物理含義解釋等造成一定的困難.因此采取適當(dāng)方法消除多重共線性帶來(lái)的不良影響，對(duì)回歸模型有著重大意義.國(guó)內(nèi)外學(xué)者對(duì)消除多重共線性問(wèn)題得出了許多有效的解決方法，如逐步回歸、嶺回歸、主成分回歸、偏最小二乘回歸、核主成分回歸等.肖雪夢(mèng)[1]、張應(yīng)應(yīng)實(shí)例比較了逐步回歸、主成分回歸及偏最小二乘回歸
數(shù)學(xué)理論與應(yīng)用 2019年1期2019-05-04
- 多元線性回歸中多重共線性的研究
性回歸中的多重共線性研究，對(duì)三種解決方法進(jìn)行深入探討，針對(duì)每種解決方法的優(yōu)劣以及實(shí)際應(yīng)用效果進(jìn)行深入分析，探討每種解決方法的實(shí)際應(yīng)用情景，從而提高多元線性回歸的統(tǒng)計(jì)分析有效性以及預(yù)測(cè)準(zhǔn)確性。三種方法的適用對(duì)象以及使用機(jī)理，本文研究的中心，其目的是為了提高實(shí)際問(wèn)題中多元線性回歸的分析效果，降低多重共線性對(duì)分析結(jié)果及預(yù)測(cè)結(jié)果的影響，明確這些解決方法的實(shí)用情景以及模型預(yù)測(cè)分析是多元線性回歸應(yīng)用繼續(xù)解決的問(wèn)題。一、多元線性回歸中多重共線性的研究意義多重共線性問(wèn)題是
產(chǎn)業(yè)與科技論壇 2019年3期2019-03-22
- 我國(guó)壽險(xiǎn)需求影響因素的嶺回歸分析
求;影響因素;共線性;嶺回歸中圖分類號(hào)：D9文獻(xiàn)標(biāo)識(shí)碼：Adoi：10.19311/j.cnki.1672-3198.2019.05.0561引言自1979年中國(guó)恢復(fù)保險(xiǎn)業(yè)務(wù)以來(lái)，我國(guó)的保險(xiǎn)業(yè)發(fā)展迅速。人壽保險(xiǎn)作為一項(xiàng)關(guān)乎民生的保險(xiǎn)業(yè)務(wù)，亦是保險(xiǎn)業(yè)的重要組成部分，自1982年中國(guó)人民保險(xiǎn)公司恢復(fù)人壽保險(xiǎn)業(yè)務(wù)以來(lái)，取得了突飛猛進(jìn)的發(fā)展。我國(guó)的壽險(xiǎn)保費(fèi)收入在1990年僅有50.08億，至2016年收入已達(dá)22234.6億元，僅27年的時(shí)間就增長(zhǎng)了300多倍，特
現(xiàn)代商貿(mào)工業(yè) 2019年5期2019-02-18
- 基于飛行參數(shù)的飛機(jī)結(jié)構(gòu)載荷最優(yōu)回歸模型
參數(shù)之間的多重共線性較弱，這樣才能保證回歸模型具有很好的魯棒性和預(yù)測(cè)精度。首先需綜合飛行參數(shù)的物理意義、典型機(jī)動(dòng)類型、載荷類型等，對(duì)輸入?yún)?shù)進(jìn)行初步篩選，詳見(jiàn)表1(表中：Ny和Nz分別為重心側(cè)向和法向過(guò)載)。接著，采用某種技術(shù)途徑篩選出最優(yōu)參數(shù)組合，詳見(jiàn)下文。圖1 基于飛行參數(shù)的飛機(jī)結(jié)構(gòu)載荷識(shí)別流程Fig.1 Structural load identification procedure based on flight data表1 輸入飛行參數(shù)初步篩選
航空學(xué)報(bào) 2018年11期2018-11-30
- 基于比較基因組學(xué)分析的方法定位及注釋雙峰駝MHC基因
ds進(jìn)行基因組共線性分析，利用lastz建立起的Pseudo chromosome與HLA、BoLA全基因組序列的線性關(guān)系判斷篩選出的scaffolds是否準(zhǔn)確；然后通過(guò)分析MHC基因在兩物種間的線性關(guān)系，在雙峰駝參考基因組中提取出MHC基因序列，并對(duì)這些序列進(jìn)行基因注釋；最后根據(jù)得到的雙峰駝MHC基因繪制系統(tǒng)進(jìn)化樹(shù)，研究其基因間的進(jìn)化關(guān)系?！窘Y(jié)果】通過(guò)對(duì)HLA、BoLA基因編碼序列與雙峰駝轉(zhuǎn)錄本用blastn進(jìn)行序列比對(duì)，識(shí)別出了相似度較高的3條scaf
中國(guó)農(nóng)業(yè)科學(xué) 2018年18期2018-10-11
- 基于校園大數(shù)據(jù)的助學(xué)金獲取關(guān)鍵因素分析*
——以某高校一卡通數(shù)據(jù)為例
化后，進(jìn)行多重共線性分析。2.多重共線性分析Hanushek和Jackson認(rèn)為L(zhǎng)ogistic回歸模型的參數(shù)易受解釋變量間共線性的影響[11]，由于本文是多因素分析，為了防止各變量存在多重共線性，避免各個(gè)變量之間的相互影響，保證結(jié)果的準(zhǔn)確性，首先對(duì)解釋變量與被解釋變量進(jìn)行多重共線性檢驗(yàn)。[12]本文選取方差膨脹因子（VIF）和條件索引（CI）來(lái)檢驗(yàn)變量間的共線性[13]，一般認(rèn)為VIF值越大則變量共線性越強(qiáng)，VIF≥5時(shí)存在復(fù)共線性，VIF≥10時(shí)存在嚴(yán)
中國(guó)教育信息化 2018年17期2018-10-08
- 提高多重線性回歸分析實(shí)踐技能的實(shí)證分析
變量之間無(wú)多重共線性。使用多重線性回歸分析的常見(jiàn)問(wèn)題是不重視審查多重線性回歸分析的前提條件,從而導(dǎo)致許多問(wèn)題,甚至?xí)?dǎo)致錯(cuò)誤的分析結(jié)果和結(jié)論。如可以導(dǎo)致專業(yè)上認(rèn)為非常重要的自變量無(wú)統(tǒng)計(jì)學(xué)意義而不能進(jìn)入方程；偏回歸系數(shù)估計(jì)值大小或符號(hào)與專業(yè)知識(shí)不符；自變量對(duì)因變量作用的實(shí)際意義難以解釋,有悖常識(shí)而產(chǎn)生悖論。3 多重線性回歸分析的高級(jí)技能分析為了便于評(píng)價(jià)上述逐步法的結(jié)果,給出強(qiáng)制法全模型的結(jié)果。取檢驗(yàn)水準(zhǔn)的默認(rèn)值α入=0.05、α出=0.10。強(qiáng)制法模型檢驗(yàn)有
衛(wèi)生職業(yè)教育 2018年16期2018-09-05
- 嶺回歸分析在解決經(jīng)濟(jì)數(shù)據(jù)共線性問(wèn)題中的應(yīng)用
據(jù)常會(huì)出現(xiàn)多重共線性問(wèn)題[1]。多重共線性不是模型設(shè)定的錯(cuò)誤，但使用傳統(tǒng)的最小二乘法（OLS，Ordinary Least Squares）處理這類經(jīng)濟(jì)數(shù)據(jù)時(shí)，往往會(huì)出現(xiàn)回歸系數(shù)計(jì)算不穩(wěn)定、模型解釋性較差、預(yù)測(cè)準(zhǔn)確性較低等問(wèn)題[2]。目前，嶺回歸（Ridge Regression）是處理嚴(yán)重共線性常用方法[2]。Hoerl于1962年最早提出嶺回歸，這是一種改進(jìn)的最小二乘估計(jì)法，到1970年，Hoerl&Kennard對(duì)該方法進(jìn)行了更詳細(xì)的討論[3]。一、
經(jīng)濟(jì)研究導(dǎo)刊 2018年22期2018-08-24
- 楊樹(shù)和柳樹(shù)基因組共線性的可視化分析
進(jìn)化機(jī)制?；?span id="j5i0abt0b" class="hl">共線性是指在具有同源性關(guān)系的2個(gè)物種中，其基因組中有共同的連鎖基因，且同源基因的相對(duì)順序具有較高保守性的現(xiàn)象［8］。在生物進(jìn)化中，基因組會(huì)在全基因組復(fù)制、染色體重組、染色體倒位和易位等過(guò)程中發(fā)生結(jié)構(gòu)和數(shù)量的變化［9－10］。因此，基因組的共線性分析在非編碼序列的確認(rèn)［11］、新測(cè)序物種的注釋［12］和全基因組復(fù)制事件的估計(jì)［8］等過(guò)程中具有重要作用。本研究使用 MCScanX［13］、VGSC［14］這2個(gè)軟件分別進(jìn)行共線性分析和作圖，對(duì)楊樹(shù)
江蘇農(nóng)業(yè)科學(xué) 2018年8期2018-05-18
- 無(wú)油樟與葡萄、擬南芥、水稻基因組的多倍化及共線性分析
基因組間的同源共線性分析，明確多倍化過(guò)程對(duì)重復(fù)基因造成的影響，解析基因組在進(jìn)化過(guò)程中發(fā)生的變化，對(duì)于探尋單、雙子葉植物的共同起源以及研究被子植物的進(jìn)化過(guò)程具有重要的意義。1 材料與方法1.1 全基因組序列數(shù)據(jù)葡萄（Vitis vinifera，簡(jiǎn)稱 Vv）的全基因組序列來(lái)自Phytozome（https：／／phytozome.jgi.doe.gov），無(wú)油樟（Amborella trichopoda，簡(jiǎn)稱 Ar）、擬南芥（Arabidopsis thal
江蘇農(nóng)業(yè)科學(xué) 2018年8期2018-05-18
- 提高三元肥效模型建模成功率的主成分回歸技術(shù)研究*
存在嚴(yán)重的多重共線性，制約了OLS法回歸建模的有效性。為此，本研究利用福建省近年來(lái) “3414”試驗(yàn)設(shè)計(jì)方案完成的早稻氮磷鉀田間肥效試驗(yàn)結(jié)果，探討三元二次多項(xiàng)式肥效模型多重共線性診斷方法，以及主成分回歸（PCR）技術(shù)與其在消除多重共線性危害上的應(yīng)用效果，旨在為提高氮磷鉀田間肥效試驗(yàn)的建模成功率提供一種新方法。1 材料與方法1.1 早稻氮磷鉀“3414”田間肥效試驗(yàn)資料的收集整理近年來(lái)，福建省在水稻測(cè)土配方施肥工作中，在福州市、寧德市、南平市、三明市、龍巖市
土壤學(xué)報(bào) 2018年2期2018-04-13
- 大壩監(jiān)測(cè)數(shù)據(jù)多重共線性問(wèn)題處理方法的比較研究
壩監(jiān)測(cè)數(shù)據(jù)多重共線性問(wèn)題處理方法的比較研究丁立*，錢強(qiáng)強(qiáng)，趙俊，吳建曄(湖州市測(cè)繪院，浙江 湖州 313000)多重共線性是大壩安全監(jiān)測(cè)中一種常見(jiàn)的病態(tài)數(shù)據(jù)問(wèn)題，為了削弱其對(duì)參數(shù)估計(jì)的影響，本文綜合應(yīng)用了主成分回歸法、偏最小二乘回歸法、嶺回歸法和Lasso法等四種有偏估計(jì)方法對(duì)大壩實(shí)測(cè)數(shù)據(jù)進(jìn)行建模分析，并與多元線性回歸模型結(jié)果進(jìn)行比較。結(jié)果表明，多重共線性對(duì)模型的擬合及預(yù)報(bào)效果影響不大，但在模型的可解釋性以及模型系數(shù)的穩(wěn)定性方面，有偏估計(jì)方法更具優(yōu)越性，且
城市勘測(cè) 2017年6期2018-01-04
- 多元線性回歸的S P SS統(tǒng)計(jì)應(yīng)用
——以某公司成年男子體脂率與身體形態(tài)指標(biāo)為例
度（M）”和“共線性診斷（L）”,其余使用默認(rèn)選項(xiàng)?；氐健熬€性回歸”對(duì)話框，按“確認(rèn)”按鈕，進(jìn)行S P SS運(yùn)算。單擊“統(tǒng)計(jì)量（S）…”按鈕，打開(kāi)“線性回歸：統(tǒng)計(jì)量”對(duì)話框，如圖2所示。在“回歸系數(shù)”框中選擇“估計(jì)（E）”項(xiàng)，在“殘差”框中選擇“Dur b in-W atson”項(xiàng)，在其他選項(xiàng)中選擇“模型擬合度（M）”和“共線性診斷（L）”,其余使用默認(rèn)選項(xiàng)?；氐健熬€性回歸”對(duì)話框，按“確認(rèn)”按鈕，進(jìn)行S P SS運(yùn)算。表1 某公司40名成年男子形態(tài)指標(biāo)匯
文體用品與科技 2017年16期2017-08-31
- 我國(guó)稅收收入影響因素的實(shí)證分析
型統(tǒng)計(jì)檢驗(yàn)多重共線性檢驗(yàn)。在初步建立模型之后，對(duì)模型進(jìn)行統(tǒng)計(jì)檢驗(yàn)。通過(guò)表1可以看出，模型的F值為10069.37，非常大，對(duì)應(yīng)的P值為0.000，顯然小于0.01，所有模型整體是顯著的。R方和調(diào)整之后的R方也接近于1，基本上呈現(xiàn)完全擬合的狀態(tài)。所以，模型中的自變量很可能存在多重共線性。多重共線性處理。選擇TAX=c（1）+c（2）*CZ+e為最初的回歸模型，擬合優(yōu)度為0.992。下面使用逐步回歸：第一步：引入FC變量，發(fā)現(xiàn)CZ變量的T統(tǒng)計(jì)量沒(méi)用通過(guò)檢驗(yàn)，放
環(huán)球市場(chǎng)信息導(dǎo)報(bào) 2017年5期2017-06-15
- 我國(guó)稅收收入影響因素的實(shí)證分析
——以1998～2015年的數(shù)據(jù)為例
型統(tǒng)計(jì)檢驗(yàn)多重共線性檢驗(yàn)。在初步建立模型之后，對(duì)模型進(jìn)行統(tǒng)計(jì)檢驗(yàn)。通過(guò)表1可以看出，模型的F值為10069.37，非常大，對(duì)應(yīng)的P值為0.000，顯然小于0.01，所有模型整體是顯著的。R方和調(diào)整之后的R方也接近于1，基本上呈現(xiàn)完全擬合的狀態(tài)。所以，模型中的自變量很可能存在多重共線性。多重共線性處理。選擇TAX =C(1) +C(2)＊CZ+e為最初的回歸模型，擬合優(yōu)度為0.992。下面使用逐步回歸：第一步：引入FC變量，發(fā)現(xiàn)CZ變量的T統(tǒng)計(jì)量沒(méi)用通過(guò)檢驗(yàn)
環(huán)球市場(chǎng)信息導(dǎo)報(bào) 2017年9期2017-06-05
- 關(guān)于我國(guó)私人汽車保有量影響因素的計(jì)量經(jīng)濟(jì)學(xué)分析
計(jì)量模型；多重共線性檢驗(yàn)；異方差檢驗(yàn)；自相關(guān)檢驗(yàn)本文通過(guò)計(jì)量模型來(lái)分析除了汽車價(jià)格外，其他因素如公路里程、全國(guó)汽車產(chǎn)量、居民可支配收入、財(cái)政收入等多個(gè)變量對(duì)私人汽車保有量的影響。一、私家車擁有量的多因素分析設(shè)定模型為：lny=c+m2lnx2+m3lnx3+m4lnx4+m5lnx5+m6lnx6+ai式中，ai為隨機(jī)誤差項(xiàng)。運(yùn)用最小二乘法估計(jì)模型參數(shù)表1 5個(gè)自變量回歸方程得到回歸方程如下式：lny=-2.663+1.011lnx2+0.159lnx3-
福建質(zhì)量管理 2016年11期2016-08-16
- 職業(yè)病防治績(jī)效影響因素分析
最小二乘回歸 共線性 主成分1.泰山醫(yī)學(xué)院公共衛(wèi)生學(xué)院（271016）2.濟(jì)南市兒童醫(yī)院3.山東大學(xué)公共衛(wèi)生學(xué)院職業(yè)病防治工作是一項(xiàng)極其復(fù)雜的系統(tǒng)工程，其績(jī)效的優(yōu)劣并不單純?nèi)Q于政府相關(guān)部門及用人單位努力程度，而是受到政治、經(jīng)濟(jì)、文化、社會(huì)、科技以及自然等環(huán)境因素的影響。本研究在篩選出這些有代表性影響因素的基礎(chǔ)上，進(jìn)一步確定這些因素與職業(yè)病防治績(jī)效的定量關(guān)系，從而為職業(yè)病防治績(jī)效的改善提供依據(jù)。對(duì)象與方法1.研究對(duì)象采用分層隨機(jī)抽樣的方式，按照工業(yè)化水平的
中國(guó)衛(wèi)生統(tǒng)計(jì) 2016年2期2016-06-24
- 嶺回歸分析及其應(yīng)用
行了推廣.多重共線性；回歸系數(shù)；嶺回歸嶺回歸分析是一種專門用于共線性數(shù)據(jù)分析的有偏估計(jì)方法，它實(shí)際上是一種改良的最小二乘法，是以放棄最小二乘的無(wú)偏性，放棄部分精確度為代價(jià)來(lái)尋求效果稍差但更符合實(shí)際的回歸過(guò)程[1～3].雖然嶺回歸所得殘差平方和比最小二乘回歸要大，但它對(duì)病態(tài)數(shù)據(jù)的耐受性就遠(yuǎn)遠(yuǎn)強(qiáng)于最小二乘法.嶺回歸方法也非常靈活，它的使用存在著一定的主觀人為性，但這種人為性正好是發(fā)揮定性分析與定量分析有機(jī)結(jié)合之處，在解決多重共線性問(wèn)題中有著獨(dú)特作用.1 嶺回歸
許昌學(xué)院學(xué)報(bào) 2016年2期2016-04-14
- 焦面拼接反射鏡熱穩(wěn)定性對(duì)MTF的影響
定性對(duì)探測(cè)器的共線性和共面性有一定的影響，共線性和共面性誤差會(huì)引起時(shí)間延遲積分電荷耦合器件（TDICCD）的光學(xué)調(diào)制傳遞函數(shù)（MTF）的下降。文章首先在三維歐式空間建立拼接反射鏡熱變形前后的平面方程，通過(guò)計(jì)算TDICCD頂點(diǎn)關(guān)于反射鏡平面方程的鏡像點(diǎn)得出反射鏡熱變形對(duì)TDICCD共線性和共面性的影響；其次，為了對(duì)熱穩(wěn)定性進(jìn)行有效評(píng)價(jià)，以MTF為其評(píng)價(jià)函數(shù)，分別對(duì)TDICCD的共線性誤差、共面性誤差對(duì)TDICCD相機(jī)MTF的影響進(jìn)行了分析，給出了兩種誤差引起
航天返回與遙感 2016年3期2016-02-15
- 基于廣義線性模型的主成分估計(jì)及實(shí)例分析
變量之間存在復(fù)共線性時(shí)，如果仍然按照原來(lái)的參數(shù)估計(jì)方法進(jìn)行建模的話，就會(huì)帶來(lái)很大的誤差.為了解決這個(gè)問(wèn)題，消除復(fù)共線性帶來(lái)的影響才使得得出的參數(shù)估計(jì)更為穩(wěn)定，更符合實(shí)際情況的需要，本文將主成分估計(jì)應(yīng)用到廣義線性模型中去，并分析其在參數(shù)估計(jì)較最大似然估計(jì)的優(yōu)越性.定義1.1［1］設(shè)因變量Y和自變量X1，X2，…，Xp的觀測(cè)值，若(i)Y1，Y2，…，Yn相互獨(dú)立，且對(duì)每個(gè)i，Yi服從指數(shù)分布，即(ii)設(shè)ui為對(duì)應(yīng)的Yi的數(shù)學(xué)期望值(i=1，2，…，n)，存
- 相依誤差線性模型中的主成分s-K估計(jì)
回歸變量間的復(fù)共線性,通過(guò)融合主成分回歸估計(jì)和s-K估計(jì),提出一類新估計(jì),稱為主成分s-K估計(jì);并在均方誤差陣意義下,得到了這類估計(jì)分別優(yōu)于廣義最小二乘估計(jì)、主成分估計(jì)、r-k和s-K估計(jì)的充要條件.Monto Carlo數(shù)值模擬表明,新估計(jì)是一種同時(shí)克服自相關(guān)性和復(fù)共線性的有效方法.自相關(guān)性;復(fù)共線性;主成分回歸估計(jì);s-K估計(jì);均方誤差陣為了克服統(tǒng)計(jì)學(xué)中線性模型的復(fù)共線性問(wèn)題,常用的方法是使用有偏估計(jì).如Stein估計(jì)[1]、主成分回歸(PCR)估計(jì)[
吉林大學(xué)學(xué)報(bào)（理學(xué)版） 2015年3期2015-08-16
- 多重共線性的有偏回歸方法的實(shí)例比較
之間存在著多重共線性。在出現(xiàn)多重共線性情形時(shí)，普通最小二乘估計(jì)不再適用；回歸參數(shù)的估計(jì)值方差會(huì)很大，從而影響自變量對(duì)因變量的解釋；估計(jì)的精度會(huì)降低；估計(jì)的效果也會(huì)變壞。在實(shí)際經(jīng)濟(jì)問(wèn)題的多元回歸分析中，多重共線性的現(xiàn)象很多，這時(shí)我們就應(yīng)該尋找另外的回歸方法對(duì)參數(shù)進(jìn)行估計(jì)。2 方法介紹目前，處理多重共線性問(wèn)題的三種有偏回歸方法主要是：主成分回歸（PCR）、嶺回歸（RR）和偏最小二乘回歸（PLS）。主成分回歸是通過(guò)對(duì)解釋變量先進(jìn)行主成分分析，綜合提取出自變量的少
科技視界 2014年21期2014-12-23
- 線性模型參數(shù)一類新的s－K估計(jì)
但當(dāng)模型出現(xiàn)復(fù)共線性時(shí)，LSE的表現(xiàn)較差，有較大的均方誤差.為了克服這一缺點(diǎn)，研究者們放棄了無(wú)偏性，提出了一些有偏估計(jì).如Hoerl等［1］提出了嶺估計(jì)（RE）：其中k＞0是可選參數(shù)，稱為嶺參數(shù).嶺估計(jì)的本質(zhì)是在設(shè)計(jì)陣的計(jì)算中引入一個(gè)偏參數(shù)k，通過(guò)合理取k值減少由復(fù)共線性帶來(lái)的誤差.之后，Hoerl等［2］又提出了嶺估計(jì)的一種推廣形式，稱為廣義嶺估計(jì)（GRE）：其中：K＝diag（k1，k2，…，kp），ki＞0（i＝1，2，…，p）為參數(shù)；Q＝（φ1，φ
吉林大學(xué)學(xué)報(bào)（理學(xué)版） 2014年1期2014-10-25
- 主成分回歸對(duì)腦卒中發(fā)病與環(huán)境因素間關(guān)系的解析
個(gè)自變量之間的共線性使得用多元線性回歸方法得到的回歸方程的精度降低.運(yùn)用主成分回歸分析，對(duì)腦卒中發(fā)病人數(shù)與環(huán)境因素進(jìn)行了深入解析，結(jié)合統(tǒng)計(jì)軟件SPSS的分析結(jié)果，給出了計(jì)算主成分的正確表達(dá)式，并將主成分與發(fā)病人數(shù)進(jìn)行多元線性回歸，最終確定了腦卒中發(fā)病人數(shù)與8個(gè)環(huán)境因素間的數(shù)學(xué)模型.腦卒中發(fā)??；環(huán)境因素；主成分分析；數(shù)學(xué)模型0 引言2012年全國(guó)大學(xué)生數(shù)學(xué)建模競(jìng)賽C題為腦卒中發(fā)病環(huán)境因素分析及干預(yù).作為指導(dǎo)教師，一直關(guān)注此賽題的研究進(jìn)展及結(jié)果，發(fā)現(xiàn)絕大多數(shù)參
- 基于偏最小二乘回歸的城鎮(zhèn)登記失業(yè)率預(yù)測(cè)＊
，無(wú)視這種多重共線性，會(huì)影響分析的客觀性，使結(jié)果產(chǎn)生嚴(yán)重偏差。偏 最 小 二 乘 回 歸［9～10］（Partial Least－Squares Regression，PLSR）是一種新型的多元統(tǒng)計(jì)分析方法，集多元線性回歸、典型相關(guān)分析和主成分分析的功能為一體，能有效解決自變量因子間的多重共線性影響的問(wèn)題，因此，本文擬對(duì)PLSR建模方法在城鎮(zhèn)失業(yè)率預(yù)測(cè)中的應(yīng)用加以探討，以提高模型擬合效果和預(yù)測(cè)精度。2 城鎮(zhèn)登記失業(yè)率影響因素與多重共線性診斷2.1 城鎮(zhèn)登記
艦船電子工程 2013年12期2013-11-28
- 股票價(jià)格線性回歸分析——基于matlab 嶺回歸分析
間可能存在嚴(yán)重共線性，需要對(duì)其共線性進(jìn)行分析。其次，對(duì)自變量進(jìn)行標(biāo)準(zhǔn)化處理。令z(i，j)=(x(I，j)-μj）/∑( x ( i , j )-μj)2， μj為自變量的樣本均值。得到的z 矩陣，為標(biāo)準(zhǔn)化的自變量。對(duì)z 進(jìn)行線性回歸Y(i，1)=bb(1，1)+ bb(2，1)* z(i，1)+bb(3，1)*z(i，2)+bb(4，1)*z(i，3)，得到回歸方程為Y(i，1)=3.7256-2.9928* z(i，1)+ 4.506* z(i，2)+
時(shí)代金融 2013年1期2013-08-07
- 多重共線性的解決：剔除變量的新標(biāo)準(zhǔn)
回歸模型的多重共線性的本質(zhì)是解釋變量之間存在線性相關(guān)。多重共線性的解決有多種經(jīng)驗(yàn)性方法，這些方法因模型和樣本數(shù)據(jù)的不同而各異，其中一類比較常用而且簡(jiǎn)單的辦法是“剔除變量法”，即剔除引起多重共線性的解釋變量，以達(dá)到解決多重共線性問(wèn)題的目的。實(shí)施剔除變量法的關(guān)鍵是確定哪一個(gè)或哪些變量應(yīng)該被剔除，因此需要確立剔除依據(jù)。文獻(xiàn)[1,2]認(rèn)為可以根據(jù)方差膨脹因子（VIF）的大小來(lái)選擇被剔除變量，VIF最大的變量應(yīng)首先剔除。該依據(jù)的理由是，VIF最大的變量與其余變量的相
統(tǒng)計(jì)與決策 2013年5期2013-07-27
- 解決多重共線性的新思路：路徑分析
釋變量之間存在共線性，解釋變量是隨要變量用與隨機(jī)項(xiàng)相關(guān)。在以上幾種情況中，異方差、序列相關(guān)、隨機(jī)解釋變量模型等都有較好的解決方案，而多重共線性到目前為止尚沒(méi)有非常好的解決方法，本文將路徑分析引入多重共線性模型，作為解決多重共線性的一種思路，供大家參考。1 多重共線性回顧在回歸模型中，如果某兩個(gè)或多個(gè)解釋變量之間出現(xiàn)了相關(guān)性，則稱為存在多重共線性。多重共線性包括完全多重共線性和近似多重共線性，在實(shí)際經(jīng)濟(jì)統(tǒng)計(jì)數(shù)據(jù)中，完全多重共線性極為少見(jiàn)，一般出現(xiàn)的是近似共線
統(tǒng)計(jì)與決策 2013年1期2013-05-10
- 基于烏魯木齊物流產(chǎn)業(yè)分析多重共線性
上存在著一定的共線性；而對(duì)于截面數(shù)據(jù)常常也存在自變量高度自相關(guān)的情況，而存在著共線性會(huì)給模型帶來(lái)許多不確定性的結(jié)果。一、多重共線性的認(rèn)識(shí)（一）多重共線性的定義設(shè)回歸模型y＝β0＋β1x1＋β2x2＋…＋βpxp＋ε如果矩陣X的列向量存在一組不全為零的p＋1個(gè)數(shù)k0，k1，k2…kp使得k0＋k1xi1＋k2xi2＋…＋kpxip＝0，i＝1，2，…n，則稱其存在完全共線性，如果k0＋k1xi1＋k2xi2＋…＋kpxip≈0，i＝1，2，…n，則稱其存在多
東南大學(xué)學(xué)報(bào)(哲學(xué)社會(huì)科學(xué)版) 2013年2期2013-03-12
- 診斷復(fù)共線性的特征分析法及其在GEO定軌中的應(yīng)用
11 引 言復(fù)共線性存在于很多測(cè)量數(shù)據(jù)處理問(wèn)題中，它對(duì)估計(jì)結(jié)果有很大的影響。如果設(shè)計(jì)矩陣存在復(fù)共線性，很小的觀測(cè)誤差就有可能造成估計(jì)結(jié)果嚴(yán)重偏離真值。為了得到精確、可靠的平差結(jié)果，必須消弱和克服設(shè)計(jì)矩陣復(fù)共線性對(duì)參數(shù)估計(jì)的不良影響［1］?？朔?fù)共線性影響的前提是準(zhǔn)確地找到設(shè)計(jì)陣中存在的復(fù)共線性關(guān)系，即進(jìn)行復(fù)共線性診斷。到目前為止，國(guó)內(nèi)外學(xué)者關(guān)于復(fù)共線性診斷已經(jīng)提出了10余種方法［1－7］，大致分為3大類：第1類是基于相關(guān)系數(shù)的方法，第2類是基于特征系統(tǒng)（特
測(cè)繪學(xué)報(bào) 2013年1期2013-01-11
- 多元分析中的多重共線性及其處理方法*
變量間存在多重共線性的現(xiàn)象十分普遍，其結(jié)果可能導(dǎo)致治療效果或暴露因素作用的估計(jì)產(chǎn)生偏性。研究者常常通過(guò)調(diào)整某些協(xié)變量或混雜因素來(lái)調(diào)整變量間的多重共線性，以評(píng)價(jià)某些治療方法或暴露因素與疾病間的關(guān)系〔1－2〕。但這樣不僅會(huì)損失掉信息，而且某些混雜因素難以達(dá)到治療組間或暴露因素各水平間的平衡，降低檢驗(yàn)效能，甚至使分析結(jié)果失真。不同的解決變量間多重共線性的統(tǒng)計(jì)學(xué)處理方法〔3－5〕均有各自的優(yōu)缺點(diǎn)和適用范圍，至今仍沒(méi)有一種通用的解決方法。本文闡述目前常用的幾種方法:
中國(guó)衛(wèi)生統(tǒng)計(jì) 2012年4期2012-03-11
- 基于嶺回歸法對(duì)海南省住宅銷售價(jià)格的影響因素的研究
決自變量間多重共線性的問(wèn)題，借助EVIEWS 6.0和SPSS17.0軟件，建立相關(guān)的數(shù)學(xué)模型，最后預(yù)測(cè)海南省2009年住宅銷售價(jià)格，結(jié)果表明模型短期預(yù)測(cè)精度較高.多重共線性；多元線性回歸模型；嶺回歸海南建省以后，房?jī)r(jià)就一直迅速飆升，特別當(dāng)國(guó)家宣布把海南島建設(shè)成國(guó)際旅游島后，海南省的商品住宅房房?jī)r(jià)就以更加驚人的速度在提高.因此，有必要對(duì)海南商品房的房?jī)r(jià)和所受的影響因素做一個(gè)簡(jiǎn)略的分析.以1996年至2009的《中華人民共和國(guó)統(tǒng)計(jì)年鑒》和《海南統(tǒng)計(jì)年鑒》的相
- 主成分回歸的SPSS實(shí)現(xiàn)
SPSS軟件。共線性；主成分回歸；特征值；特征向量；SPSS0 引言在進(jìn)行多元線性回歸分析時(shí)，經(jīng)常會(huì)遇到自變量之間存在近似線性關(guān)系的現(xiàn)象，這種現(xiàn)象被稱為共線性[1]。當(dāng)共線性嚴(yán)重時(shí)，用最小二乘法建立的回歸模型將會(huì)增加參數(shù)的方差，使得回歸方程變的很不穩(wěn)定，有些自變量對(duì)因變量影響的顯著性被隱藏起來(lái)，某些回歸系數(shù)的符號(hào)與實(shí)際意義不相符[2]，回歸方程和回歸系數(shù)通不過(guò)顯著性檢驗(yàn)。處理共線性的主要方法有篩選變量法、嶺回歸法、主成分回歸法、偏最小二乘法等。在文獻(xiàn)[2]
統(tǒng)計(jì)與決策 2011年5期2011-10-18
- 多重共線性的檢驗(yàn)及對(duì)預(yù)測(cè)目標(biāo)影響程度的定量分析
模型中存在多重共線性.多重共線性違背了解釋變量間不相關(guān)的古典假設(shè)，將給普通最小二乘法帶來(lái)嚴(yán)重后果.多重共線性包含完全多重共線性和不完全多重共線性兩種類型.理論上可以證明，當(dāng)回歸方程中的某些變量之間完全相關(guān)時(shí)，回歸系數(shù)不存在；當(dāng)自變量之間高度相關(guān)時(shí)，回歸系數(shù)表現(xiàn)出不確定性，從而使回歸系數(shù)的標(biāo)準(zhǔn)差大大增加.從應(yīng)用角度看，由于多重共線性的存在，如果僅從回歸系數(shù)的經(jīng)濟(jì)意義出發(fā)去解釋經(jīng)濟(jì)現(xiàn)象，往往會(huì)得出一些與經(jīng)濟(jì)理論相反的結(jié)論.例如我們有時(shí)計(jì)算某廠的利潤(rùn)y、總產(chǎn)值x
通化師范學(xué)院學(xué)報(bào) 2010年4期2010-01-25