关于多元模型参数有效性的检验问题

2016/1/31 posted in  观点

testing of a multivariate regression

Q:
关于多元模型参数检验的问题。每次检验其实都有犯错误的概率,虽然挺低,但如果同时进行很多次的检验,那么“至少一次出错”的概率其实挺高。鉴于此有理论提出对检验进行校正的方案吗?

A:
只能说避免2类错误,努力减少1类错误………

Q:
那么在多元回归中,如果自变量多大几十上百个需要进行显著性检验,这个问题其实挺突出的。但在见过的多元回归中理论中没提到这个问题。是有什么原因可以忽略,还是人为省事给忽略了。。。

A:
一般实践中会先进行主成分分解
应该能把纬度降下来

Q:
这是个曲线绕开的方法。如果维度降不下来呢?或者说就算做完降维之后依然有很多自变量呢?觉得是很多教材中人为忽略了

A:
所以衍生出来了神经网络和机器学习……

Q:
知道的两个修正方法是Bonferroni和FDR,但线性多元回归在业内实际应用还是很多,著名Barra多因子风险模型就是基于多元线性回归的。很多实际在跑的套利模型也都用回归,也许从侧面反映了,显著性检验偶尔出错对实际问题的影响,不是那么严重。。。绕回来了

A:
现在做回归和检验主要就是看下模型的构成,具体的解释已经不太参考相应的参数了。