第三章訽斷與矯正之測量.ppt

第3章診斷與矯正之測量3.1預測變數的診斷3.2殘差
(3.3)

其中表示殘差的平均數，因此必然為0，也就無法提供我們有關於之訊息。
變異數
迴歸模型(2.1)中n個殘差ei的變異數定義如下：
(3.4)

如果模型適合，則MSE為誤差項變異數的不偏估計量。不獨立性

半t化殘差
有時殘差分析會將殘差經過標準化而產生較佳之效果，由於誤差項的標準差一般習慣用估計，所以我們可以考慮如下之標準化：

(3.5)

透過殘差研究發現模型偏離

3.3殘差診斷非常數誤差變異數離群值非獨立之誤差項
非常態之誤差項
分配圖
比較次數
常態機率圖
一樣是Toluca公司的案例，表3.2的第一個欄位是殘差值，利用迴歸模型(2.1)中，誤差項期望值為0，標準差之估計值為，統計理論上可以得證，n個樣本來自一個期望值為0，標準差之估計值為之常態分配，則樣本中第k小之觀測值的期望值近似如下：
(3.6)評估常態性的難處

當重要的預測變數被忽略掉時

最後幾點說明3.4殘差檢定概述3.5常態性之相關檢定3.6常數誤差變異數之檢定(A.67)的t檢定統計量為：

(3.9)

其中與分別是與之樣本平均數，而(A.63)的混合變異數為：

(3.9a)

我們使用符號來表示Brown-Forsythe的檢定統計量。Breusch-Pagan檢定
假設條件為誤差項之間彼此獨立且服從變異數
之常態分配，而與Xi之關係如下：
(3.10)
對之檢定過程是透過將殘差平方後得到的對Xi配適一般之迴歸模型，我們以SSR表示所配適之迴歸平方和，而檢定之統計量為：

(3.11)3.7配適不佳之F檢定符號

令X的第j個水準重複觀測個樣本，在本案例中，而=1，所以總觀測樣本數為：

(3.12)完全模型
一般線性檢定法首先須指定完全模型如下，除了線性迴歸關係之假設外，其餘假設均相同於簡單線性迴歸模型(2.1)：
完全模型(3.13)
其中
為參數，j=1,…,c；
為互相獨立並服從之隨機變數。
由於誤差項之期望值為零，所以：
(3.14)

而參數表示時觀測樣本的平均反應。對資料配適的完全模型需要求出參數的最小平方估計量或是最大概似估計值，這些估計量就是樣本平均數：
(3.15)
因此對觀測值所估計的期望值正是，而完全模型的誤差平方和為
(3.16)

在此有關配適不良的檢定中，完全模型(3.13)的誤差平方和經常被稱之為純誤差平方和，用SSPE表示。SSPE是根據各個X水準的離差平方和加總而成的，為：
(3.17)在(3.17)中每一個下個觀測值之離差平方和，因為SSPE是對於所有X水準的離差平方和加總，所以其自由度為：

(3.18)

精簡模型
其次我們考慮在之下的精簡模型，對於檢定直線線性迴歸關係適當與否的問題，可以有如下之檢定：

(3.19)

亦即主張完全模型(3.13)下的與有線性關係：所以在下的精簡模型為：
精簡模型(3.20)
此處的精簡模型其實就是簡單線性迴歸模型(2.1)，
由於在迴歸模型(2.1)中觀測值之估計期望值為配
適值：
(3.21)
因此，精簡模型下的誤差平方和SSE(R)即是以前所
提的誤差平方和SSE：

(3.22)

同時SSE(R)之自由度為：檢定統計量
在(2.70)中一般線性檢定之統計量為：

在此我們修改為：

(3.23)

而這兩個誤差平方和相減後所得之差稱之為配適不良平方和，以符號SSLF表示：
(3.24)所以檢定統計量可以表示成：

(3.25)
其中，MSLF表示配適不良均方，MSPE表示純誤差
均方。

在一般線性檢定中，值越大結論越傾向，而決
策規則(2.71)則成為

(3.26)
變異數分析表
在(3.24)中配適不良平方和SSLF的定義可以理解為將誤差平方和拆解成兩部分：
(3.27)
此一分解原理源自於下列恆等式：

(3.28)

將(3.28)取平方後對所有觀測之樣本加總，由於交叉乘積項之總合為零，所以(3.27)可以解釋成：
(3.29)因此我們可以直接定義配適不良之平方和如下：

(3.30)

在水準下之所有觀測值都有相同的配適值，所以
(3.30)又可以表示成：

(3.30a)說明
2.對於檢定簡單線性迴歸函數是否為線性之問題中，我們可以證明出均方MSLF與MSPE之期望值：
(3.31)

(3.32)3.8矯正測量概述3.9資料轉換僅存在非線性關係之轉換有關非常態以及相異誤差變異數之轉換Box-Cox轉換
Box-Cox程序自動由一組Y的乘冪轉換族找出一種轉換，其形式如下：
(3.33)
其中參數由資料決定，此一轉換族包含下列轉換：

(3.34)反應變數透過(3.33)的轉換後，常態誤差迴歸模型變成如下之形式：
(3.35)
對每一個值，首先將標準