嶺估計是一種專用於共線性數據分析的有偏估計回歸方法,實質上是一種改良的最小二乘估計法。嶺估計的回歸係數中嶺參數的選擇是一個十分重要的問題,使用較多的方法是嶺跡法。嶺跡法中選擇k值的一般原則是:(1)各回歸係數的嶺估計基本穩定;(2) 用最小二乘法估計時符號不合理的回歸係數,其嶺估計的符號將變得合理;(3)回歸係數沒有不合乎經濟意義的絕對值;(4)殘差平方和增加不太多。嶺跡法確定k隨缺少嚴格的令人信服的理論依據,存在著一定的主觀人為性,這似乎是嶺跡法的一個明顯的缺點。但是,嶺跡法確定k值的這種人為性正好是發揮定性分析與定量分析有機結合的地方。
基本介紹
- 中文名:嶺跡法
- 外文名:ridge trace
- 所屬學科:數學(回歸分析)
- 相關概念:嶺估計,最小二乘估計等
基本介紹,嶺估計,嶺跡法,其他k值確定方法,方差擴大因子法,疊代法,
基本介紹
嶺估計
當設計矩陣存在著復共線性關係時,最小二乘估計的性質不夠理想,有時甚至很壞。在這種情況下,需要一些新的估計方法。在這些方法中,嶺估計是最有影響且套用較為廣泛的估計方法。對於線性模型
嶺估計的回歸係數定義為
其中k>0為可選擇參數,稱為嶺參數或偏參數。
當k取不同值時,得到不同的估計,因此,嶺估計 為一類估計。當k=0時, 就是通常的最小二乘估計。從嚴格意義上講,最小二乘估計是嶺估計類中的一個估計。
在多重共線性下,由於 之間存在著較高的線性相關關係,導致 ,因此構想給 加上一個正常數矩陣 ,那么 接近奇異的可能性要比 接近奇異的可能性小甚至小很多,所以用 作為 的估計要比普通最小二乘法所得到的估計量穩定,這就是所謂的嶺估計。
嶺估計方法的目的主要是減少均方誤差,提高估計量的穩定性,但其缺點是估計量是有偏的。可以看到,k值越大,估計量的方差就越小;同時,k的引入也會使最小二乘估計量的無偏性發生變化,變成有偏估計量,k越大,偏誤也就越大。而一個好的估計量應該是無偏的、方差最小的估計量,由於這兩個標準是相互矛盾的,因此k的確定就會變得很困難。到目前為止,雖然許多專家學者已提出多種確定k值的方法,但是,還沒有一種大家公認的、最優的確定k值的方法。
在實際套用中,嶺參數k的選擇是一個十分重要的問題,目前使用較多的方法是嶺跡法。
嶺跡法
嶺估計 的分量 作為k的函式,當k在 之間變化時,在平面直角坐標系中 所描繪的圖像稱為嶺跡曲線。我們可以根據嶺跡曲線的變化形狀來確定適當的k。常用的嶺跡曲線及其顯示出的相關特點如下:
1) 在圖1(a)中, ,並且比較大。這時可以將 看做是對Y有重要影響的因素。但 的圖形不穩定,當k從零開始略增加時, 顯著地下降,而且迅速趨於零,從嶺回歸的觀點看, 對Y不起作用。
2) 與圖1(a)相反的情況如圖1(b)所示, ,但很接近零,這時 對Y的作用不大,但是隨著k略增加, 驟然變為負值,從嶺回歸觀點看, 對Y有顯著的影響。
3) 在圖1(c)中, ,說明 還比較顯著,但當k增加時,迅速下降,且穩定為負值,這時 是對Y有重要影響的顯著因素,從嶺回歸分析的角度看, 對Y有負影響的因素。
4) 在圖1(d)中, 和 都很不穩定,但其和卻大體穩定。這種情況往往發生在自變數 和 的相關性很大的場合,即在 和 之間存在多重共線性的情形,從選擇自變數的角度,兩者只保存一個就夠了。這種情況可以解釋某些回歸係數估計的符號不合理的情形,從實際觀點看, 和 不應有相反符號。
5) 從全局看,嶺跡分析可用來估計在某一具體問題中最小二乘估計是否適用,把所有回歸係數的嶺跡都繪製在一張圖上,如果這些曲線比較穩定,如圖1(e)所示,利用最小二乘估計會有一定的把握。
利用嶺跡法可以確定k,一般確定k需要遵循下面幾個原則:
1) 回歸方程各回歸係數的嶺估計基本穩定;
2) 用普通最小二乘法估計時,正負號表現出不合理的回歸係數,而利用嶺估計其符號變得合理,即嶺估計方法的使用改善了回歸方程參數估計的效果;
3) 回歸係數沒有出現不合理的符號;
4)估計量的精度沒有降低太多,即殘差項的平方和增大得不太多。
其他k值確定方法
下面僅針對嶺估計方法,介紹幾種常用的k值確定方法。
方差擴大因子法
則此式中矩陣 的對角元素 就是嶺估計的方差擴大因子。不難看出, 隨著k的增大而減少。套用方差擴大因子選擇k的經驗做法是,選擇使所有方差擴大因子 的k,這樣的k會使得嶺估計 相對穩定。
此外,還可以根據Hoerl、Kernard和Baldwin(1975)提出的方法取k的固定值。具體確定方法如下:對於標準化的回歸模型
k的計算公式是
其中, 為 時回歸模型參數的最小二乘估計, 為回歸方程的殘差均方。
疊代法
疊代法是將上面計算的k的固定取值作為k的初始值,記為 ,然後建立回歸方程,估計回歸方程的參數,並計算新的k,即 :
按同樣的方法,用 計算 ,重複這一過程,直到 的前後兩個估計值之間的差異不是很明顯為止。