Hay dos tipos principales de relaciones entre variables.

Hay dos tipos principales de relaciones entre variables, que se presentan a continuación:

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

Relación funcional: refleja la relación. entre transacciones alguna relación determinista.

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

2. Probamos ¿Cuál es el significado del coeficiente de correlación?

De hecho, las variables completamente no correlacionadas también pueden obtener valores de coeficiente de correlación más grandes (especialmente valores de series temporales) cuando se calculan utilizando datos de muestra.

Cuando el número de muestras es pequeño, el coeficiente de correlación es mayor. 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 se puede garantizar la cantidad de aumento, dependiendo de su principio de eliminación de datos, es posible que realmente no haya correlación entre este conjunto de datos. datos;

Cambiar el orden de las dos columnas de datos no afectará el coeficiente de correlación ni el diagrama de dispersión (la curva de función de ajuste) no afectará el coeficiente de correlación; El coeficiente que calculamos es un coeficiente de correlación lineal, que solo puede reflejar si 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; siempre que el valor p y el valor f cumplan las condiciones, no es necesario buscar valores demasiado pequeños;

4. ¿La linealidad se confunde con la prueba de hipótesis estadística?

Múltiple * * *La linealidad no está directamente relacionada con los 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 cuando la variable independiente cambia en una unidad suponiendo que otras variables permanecen sin cambios. Hay linealidad múltiple * * * (el coeficiente de correlación entre variables es muy grande). ), lo que dificultará la interpretación; por ejemplo, y ~ x 1+x2 y x2 son multi-* lineales. Cuando X1 cambia en una unidad, x2 permanece sin cambios, lo que afectará a Y, pero x1 y x2 están altamente correlacionados, lo que significa que no tiene sentido.

La regresión univariada no tiene el problema de la linealidad múltiple * * *; la regresión lineal múltiple debe abandonar la influencia de la linealidad múltiple * * *, por lo que primero es necesario analizar los coeficientes de correlación de todas las variables; Inicialmente juzgue la premisa: múltiple * * * Si se cumple la linealidad.