Usuwanie istotnej statystycznie perspektywie przechwytujący zwiększa

101

W prostym modelu liniowym z jedną zmienną objaśniającą

$\alpha_i = \beta_0 + \beta_1 \delta_i + \epsilon_i$

Znaleźć że usunięcie termin przechwytujący znacznie poprawia dopasowanie (wartość $R^2$ przechodzi od 0,3 do 0,9). Jednak pojęcie przechwytywania wydaje się istotne statystycznie.

Z przechwyceniem:

Call:
lm(formula = alpha ~ delta, data = cf)

Residuals:
     Min       1Q   Median       3Q      Max 
-0.72138 -0.15619 -0.03744  0.14189  0.70305 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)    
(Intercept)  0.48408    0.05397    8.97   <2e-16 ***
delta        0.46112    0.04595   10.04   <2e-16 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 

Residual standard error: 0.2435 on 218 degrees of freedom
Multiple R-squared: 0.316,    Adjusted R-squared: 0.3129 
F-statistic: 100.7 on 1 and 218 DF,  p-value: < 2.2e-16

Bez przechwytywania:

Call:
lm(formula = alpha ~ 0 + delta, data = cf)

Residuals:
     Min       1Q   Median       3Q      Max 
-0.92474 -0.15021  0.05114  0.21078  0.85480 

Coefficients:
      Estimate Std. Error t value Pr(>|t|)    
delta  0.85374    0.01632   52.33   <2e-16 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 

Residual standard error: 0.2842 on 219 degrees of freedom
Multiple R-squared: 0.9259,   Adjusted R-squared: 0.9256 
F-statistic:  2738 on 1 and 219 DF,  p-value: < 2.2e-16

Jak interpretowałbyś te wyniki? Czy termin przechwytujący powinien być uwzględniony w modelu, czy nie?

Edytować

Oto pozostałe sumy kwadratów:

RSS(with intercept) = 12.92305
RSS(without intercept) = 17.69277

r linear-model interpretation r-squared intercept Ernest A.
źródło

R^{2}

$R^2$

R^{2}

$R^2$

Cóż, RSS musi spadać (a przynajmniej nie zwiększać), gdy dołączasz dodatkowy parametr. Co ważniejsze, wiele standardowych wnioskowania w modelach liniowych nie ma zastosowania, gdy tłumisz punkt przecięcia (nawet jeśli nie jest on statystycznie istotny).

Makro

R

$R$

R^{2} = 1 - \frac{\sum_{i} (y_{i} - {\hat{y}}_{i})^{2}}{\sum_{i} y_{i}^{2}}

$R^2 = 1 - \frac{\sum_i (y_i - \hat y_i)^2}{\sum_i y_i^2}$

R^{2}

$R^2$

R^{2}

$R^2$

Odpowiedzi:

131

R $R^2$

R^{2} = \frac{\sum_{i} ({\hat{y}}_{i} - \bar{y})^{2}}{\sum_{i} (y_{i} - \bar{y})^{2}} = 1 - \frac{\sum_{i} (y_{i} - {\hat{y}}_{i})^{2}}{\sum_{i} (y_{i} - \bar{y})^{2}} .

$R^2 = \frac{\sum_i (\hat y_i - \bar y)^2}{\sum_i (y_i - \bar y)^2} = 1 - \frac{\sum_i (y_i - \hat y_i)^2}{\sum_i (y_i - \bar y)^2} \>.$

Ale co się stanie, jeśli w modelu nie ma przechwytywania?

R

R_{0}^{2} = \frac{\sum_{i} {\hat{y}}_{i}^{2}}{\sum_{i} y_{i}^{2}} = 1 - \frac{\sum_{i} (y_{i} - {\hat{y}}_{i})^{2}}{\sum_{i} y_{i}^{2}} .

$R_0^2 = \frac{\sum_i \hat y_i^2}{\sum_i y_i^2} = 1 - \frac{\sum_i (y_i - \hat y_i)^2}{\sum_i y_i^2} \>.$

$R^2$ $R_0^2$

Ale czym się różnią i kiedy?

Weźmy krótką dygresję do jakiejś algebry liniowej i zobaczmy, czy możemy dowiedzieć się, co się dzieje. Po pierwsze, nazwijmy dopasowane wartości z modelu za pomocą intercept i dopasowane wartości z modelu bez przechwytywania . $\newcommand{\yhat}{\hat {\mathbf y}}\newcommand{\ytilde}{\tilde {\mathbf y}}\yhat$ $\ytilde$

Możemy przepisać wyrażenia dla i jako a odpowiednio. $R^2$ $R_0^2$

R^{2} = 1 - \frac{‖ y - \hat{y} ‖_{2}^{2}}{‖ y - \bar{y} 1 ‖_{2}^{2}},

$\newcommand{\y}{\mathbf y}\newcommand{\one}{\mathbf 1} R^2 = 1 - \frac{\|\y - \yhat\|_2^2}{\|\y - \bar y \one\|_2^2} \>,$

R_{0}^{2} = 1 - \frac{‖ y - \tilde{y} ‖_{2}^{2}}{‖ y ‖_{2}^{2}},

$R_0^2 = 1 - \frac{\|\y - \ytilde\|_2^2}{\|\y\|_2^2} \>,$

Teraz, ponieważ , a następnie jeśli i tylko jeśli $\|\y\|_2^2 = \|\y - \bar y \one\|_2^2 + n \bar y^2$ $R_0^2 > R^2$

\frac{‖ y - \tilde{y} ‖_{2}^{2}}{‖ y - \hat{y} ‖_{2}^{2}} < 1 + \frac{{\bar{y}}^{2}}{\frac{1}{n} ‖ y - \bar{y} 1 ‖_{2}^{2}} .

$\frac{\|\y - \ytilde\|_2^2}{\|\y - \yhat\|_2^2} < 1 + \frac{\bar y^2}{\frac{1}{n}\|\y - \bar y \one\|_2^2} \> .$

Lewa strona jest większa niż jeden, ponieważ model odpowiadający jest zagnieżdżony w . Drugi termin po prawej stronie to średnia kwadratowa odpowiedzi podzielona przez średni błąd kwadratowy modelu tylko przechwytującego. Tak więc, im większa średnia odpowiedź w stosunku do innej odmiany, tym bardziej „luz” mamy i większa szansa, że zdominuje . $\ytilde$ $\yhat$ $R_0^2$ $R^2$

Zauważ, że wszystkie rzeczy zależne od modelu znajdują się po lewej stronie, a rzeczy nie zależne od modelu po prawej stronie.

Ok, więc jak sprawić, by stosunek po lewej stronie był mały?

Przypomnijmy, że i gdzie i są macierzami projekcyjne odpowiadające podprzestrzeni Änd taki sposób, że . $\newcommand{\P}{\mathbf P}\ytilde = \P_0 \y$ $\yhat = \P_1 \y$ $\P_0$ $\P_1$ $S_0$ $S_1$ $S_0 \subset S_1$

Tak więc, aby stosunek do być blisko do jednego, musimy podprzestrzenie i być bardzo podobne. Teraz i różnią się tylko czy jest wektorem podstawa czy nie, więc to oznacza, że lepiej być podprzestrzeń że już leży bardzo blisko . $S_0$ $S_1$ $S_0$ $S_1$ $\one$ $S_0$ $\one$

Zasadniczo oznacza to, że nasz predyktor powinien sam mieć silne przesunięcie średnie i że to przesunięcie średnie powinno zdominować jego odmianę.

Przykład

W tym przypadku próbujemy wygenerować przykład z przecięciem jawnie w modelu, który zachowuje się blisko przypadku w pytaniu. Poniżej znajduje się prosty Rkod do zademonstrowania.

set.seed(.Random.seed[1])

n <- 220
a <- 0.5
b <- 0.5
se <- 0.25

# Make sure x has a strong mean offset
x <- rnorm(n)/3 + a
y <- a + b*x + se*rnorm(x)

int.lm   <- lm(y~x)
noint.lm <- lm(y~x+0)  # Intercept be gone!

# For comparison to summary(.) output
rsq.int <- cor(y,x)^2
rsq.noint <- 1-mean((y-noint.lm$fit)^2) / mean(y^2)

Daje to następujący wynik. Zaczynamy od modelu z przechwyceniem.

# Include an intercept!
> summary(int.lm)

Call:
lm(formula = y ~ x)

Residuals:
      Min        1Q    Median        3Q       Max
-0.656010 -0.161556 -0.005112  0.178008  0.621790

Coefficients:
            Estimate Std. Error t value Pr(>|t|)
(Intercept)  0.48521    0.02990   16.23   <2e-16 ***
x            0.54239    0.04929   11.00   <2e-16 ***
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 0.2467 on 218 degrees of freedom
Multiple R-squared: 0.3571,     Adjusted R-squared: 0.3541
F-statistic: 121.1 on 1 and 218 DF,  p-value: < 2.2e-16

Następnie zobacz, co się stanie, gdy wykluczymy przechwytywanie.

# No intercept!
> summary(noint.lm)

Call:
lm(formula = y ~ x + 0)

Residuals:
     Min       1Q   Median       3Q      Max
-0.62108 -0.08006  0.16295  0.38258  1.02485

Coefficients:
  Estimate Std. Error t value Pr(>|t|)
x  1.20712    0.04066   29.69   <2e-16 ***
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 0.3658 on 219 degrees of freedom
Multiple R-squared: 0.801,      Adjusted R-squared: 0.8001
F-statistic: 881.5 on 1 and 219 DF,  p-value: < 2.2e-16

Poniżej znajduje się wykres danych z modelem z punktem przecięcia w kolorze czerwonym i modelem bez punktu przecięcia w kolorze niebieskim.

Wykres danych z liniami regresji

kardynał
źródło

To jest naprawdę spektakularne, +1. Pytanie: często, gdy chcemy rozstrzygnąć modele b / t 2, przeprowadzamy test modelu zagnieżdżonego, czy to wyklucza, czy nadal byłoby prawidłowe testowanie modelu zredukowanego bez przechwytywania względem pełnego modelu bez niego ?

gung

@gung: Nie, nie wierzę, że cokolwiek wyklucza nas z typowego testuTest nie zależy od obecności przechwytywania i rzeczywiście uważam, że statystyka zadziała w tym przypadku na . To daje nam trochę informacji ilościowych, ponieważ jeśli rzeczywiście , to wiemy, że zakładając oczywiście, że poprawnie wykonałem algebrę.

F

$F$

F

$F$

F = (n - 2) (\frac{‖ \y - \ytilde ‖_{2}^{2}}{‖ \y - \yhat ‖_{2}^{2}} - 1)

$F = (n-2) \left(\frac{\|\y - \ytilde\|_2^2}{\|\y - \yhat\|_2^2} - 1 \right)$

R_{0}^{2} > R_{1}^{2}

$R_0^2 > R_1^2$

F < (n - 2) \frac{{\bar{y}}^{2}}{n^{- 1} ‖ \y - \bar{y} \one ‖_{2}^{2}},

$F < (n-2) \frac{\bar y^2}{n^{-1} \|\y - \bar y \one\|_2^2} \>,$

kardynał

Wolę wyrażenie

R_{0}^{2} = \frac{‖ \tilde{Y} ‖^{2}}{‖ Y ‖^{2}}

$R_0^2=\frac{\Vert \tilde Y \Vert^2}{\Vert Y \Vert^2}$

Stéphane Laurent

@ naught101: Nie powiedziałbym, że jest to bardziej prawdziwe, ale ogólnie jest to równie rozsądny punkt widzenia. Dla niniejszego wykładu, jest to wygodne, aby rozważyć to jako nieobecny w tym sensie, że jesteśmy zainteresowani ostatecznie relacji pomiędzy podprzestrzeni i . Różnica między nimi polega na obecności lub jego braku wektora .

S_{1}

$S_1$

S_{0}

$S_0$

1

$\mathbf 1$

kardynał

Coś mi brakuje. Czy to, co robi R, zgadza się ? Mam na myśli, czy zgłaszana wartość R ^ 2 jest nawet zdalnie porównywalna między przypadkami przechwytującymi zi bez nich?

Andy Clifton

Decyzję oparłbym na kryteriach informacyjnych, takich jak kryteria Akaike lub Bayes-Schwarz, a nie R ^ 2; nawet wtedy nie uważałbym ich za absolutne.

Jeśli masz proces, w którym nachylenie jest bliskie zeru, a wszystkie dane są dalekie od początku, poprawna wartość R ^ 2 powinna być niska, ponieważ większość zmian w danych będzie spowodowana szumem. Jeśli spróbujesz dopasować takie dane do modelu bez przechwytywania, wygenerujesz duży i niewłaściwy termin nachylenia i prawdopodobnie lepiej wyglądający R ^ 2, jeśli zostanie użyta wersja bezpłatna przechwytująca.

Poniższy wykres pokazuje, co dzieje się w tych ekstremalnych przypadkach. Tutaj proces generowania jest taki, że x = 100,100,1, .... a y to tylko 100 + losowy szum ze średnią 0 i odchyleniem standardowym .1. Punkty są czarnymi okręgami, dopasowanie bez przecięcia to niebieska linia, a dopasowanie z przecięciem (zerowanie nachylenia) to czerwona linia:

[Przepraszam, że nie pozwoli mi opublikować wykresu; uruchom poniższy kod R, aby go wygenerować. Pokazuje początek w lewym dolnym rogu, skupisko punktów w prawym górnym rogu. Nieprawidłowe dopasowanie bez przecięcia przechodzi od dolnej lewej do prawej górnej, a prawidłowe dopasowanie to linia równoległa do osi x]

Prawidłowy model do tego powinien mieć R ^ 2 równy zero - być stałym plus losowy szum. R da ci i R ^ 2 0,99 za dopasowanie bez przechwytywania. Nie będzie to miało większego znaczenia, jeśli użyjesz modelu tylko do prognozowania z wartościami xw zakresie danych treningowych, ale zawiedzie się źle, jeśli x wykracza poza wąski zakres zestawu treningowego lub próbujesz uzyskać prawdziwy wgląd poza zwykłymi przewidywaniami.

AIC poprawnie pokazuje, że preferowany jest model z przechwyceniem. Kod R tego jest następujący:

 Nsamp=100
x=seq(1,100,1)*.1+100 # x=101.1,101.2,....
y=rnorm(n=length(x))+100 # random noise +100 (best model is constant)

model_withint=lm(y~x)
print(summary(model_withint))
flush.console()
model_noint=lm(y~x+0) 
print(summary(model_noint))
print (AIC(model_withint))
print(sprintf ('without intercept  AIC=%f',AIC(model_noint)))
print(sprintf ('with intercept  AIC=%f',AIC(model_withint)))
print(sprintf ('constant model  AIC=%f',AIC(lm(y~1))))
plot(x,y,ylim=c(0,105),xlim=c(0,105))
lines( c(0,105),c(0,105)*model_noint$coefficients['x'],col=c('blue'))
lines( c(0,105),c(1,1)*(lm(y~1)$coefficients['(Intercept)']),col=c('red'))

Wyjście AIC to

   "without intercept  AIC=513.549626"
    "with intercept  AIC=288.112573"
    "constant model  AIC=289.411682"

Zauważ, że AIC nadal otrzymuje niewłaściwy model w tym przypadku, ponieważ prawdziwym modelem jest model stały; ale inne liczby losowe dadzą dane, dla których AIC jest najniższy dla modelu stałego. Zauważ, że jeśli odrzucisz nachylenie, powinieneś ponownie zamontować model bez niego, nie próbuj używać przecięcia z modelu i zignoruj nachylenie.

Jonathan Harris
źródło