作者faceoflove56 (1234567)
看板Statistics
标题[程式] Model is not full rank,线性相依?(SAS)
时间Sun Jul 19 09:21:11 2015
[软体程式类别]:
SAS
[程式问题]:
资料处理ˇ
[软体熟悉度]:
低(1~3个月)
[问题叙述]:
跑完回归後result出现以下这段话
Note: Model is not full rank. Least-squares solutions for the parameters are
not unique. Some statistics will be misleading. A reported DF of 0 or B means
that the estimate is biased.
我的model是
Y=CEO_Accexp+TOT_Incentive+CEO_Accexp*TOT_Incentive
其中CEO_Accexp为Dummy，非1即0
想请问
1.问题是出在程式还是回归模型? (我认为有可能是线性相依，但太久没碰计量了= =)
2.full rank是什麽意思?
[程式范例]:
proc reg data=CEO_Incentive_1_Y4_RegTable;
where accrual_error NE . and CEO_ACCEXP NE . and TOT_Incentive NE . and
CEO_ACCEXP_TOT NE .;
model accrual_error=CEO_ACCEXP TOT_Incentive CEO_ACCEXP_TOT;
test CEO_ACCEXP=0, TOT_Incentive=0, CEO_ACCEXP_TOT=0;
quit;
-----------------------------------------------------------------------------
还请高手指教 感谢
--
※ 发信站: 批踢踢实业坊(ptt.cc), 来自: 140.119.143.76
※ 文章网址: https://webptt.com/cn.aspx?n=bbs/Statistics/M.1437268873.A.1DF.html
1F：→ allen1985: TOT_Incentive的值是什麽 你的三个变数 线性相依 07/19 11:52
2F：推 LiamIssac: collinearity, check vif or condition number 07/19 11:53
3F：推 LiamIssac: X有共线性 X'X就会less than full rank, OLS就不会是 07/19 11:55
4F：→ LiamIssac: 唯一 07/19 11:55
5F：推 Pieteacher: Inverse 爆掉啦 07/19 12:05
6F：→ Chsieh: Full rank满秩矩阵 07/19 15:27
7F：→ yhliu: 三个自变数成立线性关系, 导致 X 矩阵不是 full rank 了, 07/19 17:17
8F：→ yhliu: 还看什麽 vif, conditional number? 07/19 17:18
9F：→ LiamIssac: 有可能只是很严重的collinearity 如果是perfect collin 07/19 22:35
10F：→ LiamIssac: earity 那就基本违反Gauss Markov assumptions了 07/19 22:35
11F：→ yhliu: Gauss-Markov assumption 没有规定 X 矩阵必须是 full rank 07/20 08:30
12F：→ yhliu: 吧? 非 full rank 只是使得回归系数不可估, 但 ls estimate 07/20 08:31
13F：→ yhliu: 仍是 BLUE (for E[Y]). 07/20 08:32
14F：→ yhliu: 既然软体已判断 X 不是 full rank, 就是 X'X 的 eigen valu 07/20 08:33
15F：→ yhliu: 至少一个已可以说是 0, 还看什麽 vif, conditional number? 07/20 08:34
16F：→ yhliu: SAS 的 GLM (一般线模) 程序处理的多的是 non full rank 的 07/20 08:35
17F：推 LiamIssac: GM有规定no perfect collinearity 这是确保BLUE的其中 07/20 08:37
18F：→ LiamIssac: 一个假设 原po的问题如果真的是perfect collinearity 07/20 08:37
19F：→ LiamIssac: 那就没戏 如果只是强共线 就还有机会找替代的biased es 07/20 08:37
20F：→ LiamIssac: timate 07/20 08:37
21F：→ yhliu: 情形, 所以才会有涉及 "可估函数". 如果 X 是 full rank, 07/20 08:37
22F：→ yhliu: 任何模型参数(回归系数)的 linear function 包括各系数本身 07/20 08:38
23F：→ yhliu: 都是可估的. 07/20 08:38
24F：→ yhliu: 就算完全共线, 照样可以找有偏估计. Ridge regression 可没 07/20 08:40
25F：→ yhliu: 规定完全共线的情形不能用. 07/20 08:41
26F：推 LiamIssac: 对 但是问题在於 这时候的出发点OLS 本身就不是个好est 07/20 08:56
27F：→ LiamIssac: imate (非 如果再ridge下去 只会更遭? 况且ridge本身就 07/20 08:56
28F：→ LiamIssac: 不是个feasible的方法(以vif的角度来看) 所以perfect c 07/20 08:56
29F：→ LiamIssac: ollinearity情况下 还是用pca regression等方法会好一 07/20 08:56
30F：→ LiamIssac: 些 07/20 08:56