回归分析

回归分析介绍

回归分析属于统计学的基本模型，回归分析(Regression Analysis)是用来确定两个或两个以上变量间关系的一种统计分析方法

在回归分析中，变量有两类：因变量和自变量。因变量通常是指实际问题中所关心的指标，用 $Y$ 表示。 而自变量是影响因变量取值的一个变量，用 $X$ 表示，如果有多个自变量则表示为 $X_{1},X_{2},\ldots,X_{p}$

回归分析步骤

1. 确定因变量 $Y$ 与自变量 $X_{1},X_{2},\ldots,X_{p}$ 之间的定量关系表达式，即回归方程
2. 对回归方程进行置信度进行检验
3. 判断自变量 $X_{n}(n=1,2,\ldots,m)$ 对因变量 $Y$ 的影响
4. 利用回归方程进行预测

模型选择

模型比较

考虑模型预测精度（模型尽可能地拟合数据）和模型简洁度（一个简单且能复制的模型）的调和

变量选择

• 嵌入法
  • 逐步回归(stepwise method)
  • 向前逐步回归(forward stepwise)
  • 向后逐步回归(backward stepwise)
  • 向前向后逐步回归(stepwise stepwise)
  • 全子集回归(all-subsets regression)
• 降维
  • 主成分分析
  • 回归正则化
    • LASSO 等

模型泛化能力评价

• 交叉验证

简单线性回归

简单线性回归介绍

简单线性回归分析是处理两个变量之间关系的最简单模型，是两个变量之间的线性相关关系

如果回归分析中，只包括一个自变量 $X$ 和一个因变量 $Y$ 时，且它们的关系是线性的， 那么这种回归分析称为一元线性回归分析，也称为简单线性回归

建立回归模型

如果从散点图上发现数据点基本排列在一条直线附近，那么可以假设 $X$ 和 $Y$ 的关系是线性的。 下面建立以 $X$ 为自变量，以 $Y$ 为因变量的一元线性模型：可以用公式表式为：

$$Y=\alpha+\beta X+\epsilon$$

其中：

• $Y$ 因变量
• $X$ 自变量
• $\alpha$ 截距项
• $\beta$ 自变量系数
• $\alpha+\beta X$ 表示 $Y$ 随 $X$ 的变化而变化的线性部分
• $\epsilon$ 为残差或随机误差，是其他一切不确定因素影响的总和，其值不可观测。假设 $\epsilon$ 是服从均值为0方差为σ2 的正态分布, 记作 $\epsilon \sim N(0,\sigma^{2})$

对于上面的公式, 称函数 $f(X)$ 为一元线性回归函数:

$$f(X)=\alpha+\beta X$$

• $\alpha$ 为回归常数
• $\beta$ 为回归系数
• $X$ 为回归自变量或回归因子
• $Y$ 为回归因变量或响应变量

如果 $(X_{i},Y_{i}), i=1,2,\ldots,n$ 是 $(X,Y)$ 的一组观测值，则一元线性回归模型可表示为:

$$Y_{i}=\alpha+\beta X+\epsilon_{i},i=1,2,…,n$$

其中

• $E(\epsilon_{i})=0$
• $var(\epsilon_{i})=\sigma^{2}$
• $i=1,2,\ldots,n$

回归参数估计

简单线性回归模型的参数估计采用最小二乘法

估计出回归参数后，就可以根据回归参数估计得到 $Y$ 和 $X$ 的一条线性关系直线，称为拟合回归线

回归方程的显著性检验

拟合回归直线是用数据拟合出来的，是一个近似的值。可以看到有些点在线上， 有些点不在线上。要评价这条回归线拟合的好坏，我们就需要对回归模型进行显著性检验

从回归参数的公式可知，在计算过程中并不一定要知道 $Y$ 和 $X$ 是否有线性相关的关系。 如果不存相关关系，那么回归方程就没有任何意义了，如果 $Y$ 和 $X$ 是有相关关系的， 即 $Y$ 会随着 $X$ 的变化而线性变化，这个时候一元线性回归方程才有意义。 所以，我们需要用假设检验的方法，来验证相关性的有效性

通常会采用三种显著性检验的方法：

• $t$ 检验：$t$ 检验是检验模型某个自变量 $X_{i}$ 对于 $Y$ 的显著性， 即检验：原假设为 $X_{i}$ 的回归系数为 0。通常用 P-value 判断显著性， 小于 $\alpha=0.01$ 或更小时说明这个自变量 $X_{i}$ 与 $Y$ 相关关系显著
• $F$ 检验：$F$ 检验用于对所有的自变量 $X$ 在整体上看对于 $Y$ 的线性显著性， 即检验：原假设为 $X_{i},i=1,\ldots,p$ 的回归系数全部为 0。也是用 P-value 判断显著性， 小于 $\alpha = 0.01$ 或更小时说明整体上自变量 $X$ 与 $Y$ 相关关系显著
• $R^{2}$ (R 方)相关系数检验：用来判断回归方程的拟合程度，$R^{2}$ 的取值在 $[0,1]$ 之间， 越接近 1 说明模型对训练数据的拟合程度越好

残差分析和异常点检测

在得到的回归模型进行显著性检验后，还要在做残差分析(因变量估计值和实际值之间的差)， 检验模型的正确性，残差必须服从正态分布 $\epsilon \sim N(0,\sigma^{2})$。 所以需要计算数据残差，并进行正态分布检验

1. 计算残差
2. 对残差进行 Shapiro-Wilk 正态分布检验，W 接近 1，p-value>0.05，证明数据集符合正态分布。 并生成评价拟合模型拟合情况的四幅诊断图

举例如下：

• 图 1：残差和拟合值对比图
  • 对残差和拟合值作图，横坐标是拟合值，纵坐标是残差。残差和拟合值之间，数据点均匀分布在 $y=0$ 两侧， 呈现出随机的分布，红色线呈现出一条平稳的曲线并没有明显的形状特征，说明残差数据表现非常好
• 图 2：残差 QQ 图
  • 残差 QQ 图，用来描述残差是否符合正态分布。图中的数据点按对角直线排列，趋于一条直线， 并被对角直接穿过，直观上符合正态分布。对于近似服从正态分布的标准化残差，应该有 95% 的样本点落在 $[-2,2]$ 区间内
• 图3：标准化残差平方根和拟合值对比图
  • 对标准化残差平方根和拟合值作图，横坐标是拟合值，纵坐标是标准化后的残差平方根。 与残差和拟合值对比图(图1)的判断方法类似，数据随机分布，红色线呈现出一条平稳的曲线，无明显的形状特征
• 图 4：标准残差和杠杆值对比图
  • 对标准化残差和杠杆值作图，虚线表示的 cooks 距离等高线，通常用 Cook 距离度量的回归影响点。 本图中没有出现红色的等高线，则说明数据中没有特别影响回归结果的异常点

看到上面 4 幅图，每幅图上都有一些点被特别的标记出来了，这些点是可能存在的异常值点， 如果要对模型进行优化，我们可以从这些来入手。但终于本次残差分析的结果已经很好了， 所以对于异常点的优化，可能并不能明显的提升模型的效果

模型预测

通过上面的建模，获得了一元线性回归方程的公式，就可以对数据进行预测了

对给定 $X=x_{0}$ 时，计算出 $y_{0}=\alpha+\beta x_{0}$ 的值，并计算出置信度为 $1-\alpha$ 的预测区间

当 $X=x_{0}$，$Y=y_{0}$ 时，置信度为 $1-\alpha$ 的预测区间为 $[\hat{y}_{0} - l, \hat{y} + l]$， 其中：

$$l = t_{\alpha}(n-2)\hat{\sigma}\sqrt{1+\frac{1}{n}+\frac{(x-x_{0})^{2}}{S_{xx}}}$$

即：

$$P(\hat{y} - l < y_{0} < \hat{y} + l)=\alpha$$

计算预测值 $y_{0}$，和相应的预测区间

多元线性回归

岭回归

LASSO

弹性网回归

偏最小二乘回归

判别性分析

LDA

QDA