【#第一文档网# 导语】以下是®第一文档网的小编为您整理的《回归模型常数项的解释》，欢迎阅读！
我们用最简单的线性模型来说明这个问题 -- 常数项如何产生？ y = xb + u （先假设此处无常数项） 其中y是n x 1的向量，x是 n x k的矩阵，b是 k x 1的向量，u是n x 1的向量。 case 1 -- unobserved effects 能够解释y的数据分为两部分：可观察到的和不可观察到的（或没数据的）。 所有可观察到的变量的数据我们放入x中，其他不可观察和无数据的放入u，而这些不可观察到的影响又分为两部分 u = a1 + v，其中 a1 是一个常数，这部分影响是固定的，对所有样本都一样，v是一个n x 1的随机影响，对各个样本不同。于是我们可以把上式重新写为 y = a1 + xb + v case 2 -- the trap of dummy variables ( or multicolinearity issue) 但是故事到这里还没结束，因为还有一种可能会产生常数项 -- x中的多重共线性。假设x中含有一个（或多个）虚拟变量，比如性别，female =1 if female, =0 if male; male =1 if male, =0 if female。那么你在写模型时就有两种形式，要么写成 y = female x b1 + male x b2 + u, 要么写成 y = d1 + female x d2 +u。一般情况下我们都会选择用后者，也就是丢掉一个虚拟变量，留下我们更关心的那个，因为我们更关心特殊性，比如女性，黑人，少数民族，低收入阶层，某季节等。切忌写成y = a + female x b1 + male x b2 + u，因为这样就产生了多重共线性 -- a + female x b1 + male x b2 = 0 导致逆矩阵不可求。 综上，我们把第一种情况中的 a1 和第二种情况中的 b2 （第二种情况可能有很多参数加，不只是b2）到一起，这样就有了最终带有常数项的模型， y = a + xb + v 本文来源：https://www.dywdw.cn/f62977b9152ded630b1c59eef8c75fbfc67d9410.html
下载此文档
搜索文档
阅读：
文档下载
2024-01-11
