Hay dos categorías principales de relaciones entre variables

Existen dos categorías principales de relaciones entre variables, que se presentan a continuación:

1. Las relaciones entre variables se pueden dividir en dos categorías:

Funcionales. relación: reflexión Establecer una cierta relación determinista entre transacciones.

Correlación: existe una cierta dependencia entre dos variables, pero no son una correspondencia uno a uno; refleja la relación incompleta entre las transacciones

2. ¿Una prueba de significancia sobre el coeficiente de correlación?

De hecho, las variables que no tienen ninguna relación también pueden obtener un valor de coeficiente de correlación grande (especialmente valores de series temporales) cuando se utilizan datos de muestra para el cálculo.

Cuando el número de muestras es pequeño, el coeficiente de correlación es grande. Cuando el tamaño de la muestra se reduce de 100 a 40, existe una alta probabilidad de que el coeficiente de correlación aumente, pero no hay garantía de hasta qué punto aumente, depende de su principio de eliminación de datos, y este conjunto de datos puede; realmente no está correlacionado;

Cambiar el orden de las dos columnas de datos no afectará el coeficiente de correlación ni el diagrama de dispersión (la curva de función ajustada no afectará el coeficiente de correlación); ;El coeficiente de correlación que calculamos es un coeficiente de correlación lineal, que solo puede reflejar si los dos tienen una relación lineal. Un coeficiente de correlación alto es el requisito previo para un alto grado de ajuste del modelo lineal. Además, el coeficiente de correlación refleja la correlación entre dos variables y la correlación entre múltiples variables se puede medir mediante el coeficiente de correlación complejo;

3 Aumente el número de variables, R2 aumentará; el valor P y el valor F solo deben cumplir las condiciones, no es necesario buscar valores demasiado pequeños

4. Linealidad múltiple y prueba de hipótesis estadísticas puntos tontos ¿No está claro?

La linealidad múltiple *** no está directamente relacionada con supuestos estadísticos, pero es muy importante para interpretar los resultados de la regresión múltiple. El coeficiente de correlación refleja la correlación entre dos variables; el coeficiente de regresión es el impacto en la variable dependiente suponiendo que otras variables permanecen sin cambios y la variable independiente cambia en una unidad. Sin embargo, existe una linealidad múltiple (el coeficiente de correlación entre variables es muy grande). ). Esto conducirá a dificultades de interpretación; por ejemplo, significado y~x1.

La regresión univariada no tiene el problema de la regresión lineal múltiple; mientras que la regresión lineal múltiple debe abandonar la influencia de la regresión lineal múltiple, es necesario realizar primero un análisis del coeficiente de correlación de todas las variables para determinar inicialmente; si se cumplen los requisitos previos --- Linealidad *** múltiple.