回归分析中异常值的诊断与处理Word文档下载推荐.docx
《回归分析中异常值的诊断与处理Word文档下载推荐.docx》由会员分享,可在线阅读,更多相关《回归分析中异常值的诊断与处理Word文档下载推荐.docx(26页珍藏版)》请在冰豆网上搜索。
在讨论异常值诊断问题时,通常要假设所得样本观测值在某中意义下遵从一定的分布规律.拿到一批数据,若能从其实际背景中明确看出它服从某中分布形式时,一般的做法是在这种分布假设下,导出能较好反映异常值与正常值差异的统计量,在没有异常值的原假设下作假设检验.
以下给出两种检验方法.
3.1F分布检验法
学生化残差:
考虑线性回归模型,记,称为拟合值向量,称其第个分量为第个拟合值,则
,
这里.文献中通常称为帽子矩阵.前面已经定义了
,
为第次试验或观测的残差.将其标准化为,再用代替,得到所谓学生化残差
这里为的第个对角元,.
把正态线性回归模型改写成分量形式
,,,
这里,相互独立.如果第组数据是一个异常点,那么它的残差就很大.它的残差之所以很大是因为它的均值发生了非随机性漂移.从而.这产生了一个新的模型
记.将模型改写成矩阵的形式
,,
模型和称为均值漂移线性回归模型.要判定不是异常点,等价于检验假设.
引理用,和分别表示从、和剔除第行所得到的向量或矩.从线性回归模型剔除第组数据后,剩余的组数据的线性回归模型为
,,.
将从这个模型求到的的最小二乘估计记为,则
.
证明:
因为.
设为可逆阵,均为向量.用恒等式
有
,
这里为的第行.将上式两边右乘,并利用
以及式,有
.
将式右乘,可以得到如下关系式
将其代入式,得到
引理对均值漂移线性回归模型,和的最小二乘估计分别为
和,
其中为从非均值漂移线性回归模型剔除第组数据后得到的的最小二乘估计.,为的第个对角元.为从模型导出的第个残差.
显然,,.记.则.
于是,根据定义.
根据分块矩阵的逆矩阵公式(见附录),以及
再由引理知命题得证.
现在应用引理来求检验的检验统计量.注意到,对现在的情形,在约束条件下,模型就化为模型,于是
模型无约束情形下的残差平方和
而模型的无约束残差平方和
.
利用引理得
这里为第组数据的残差.
利用和的具体表达式将式作进一步化简:
=,
其中.根据引理,所求的检验统计量为
于是,我们证明了如下事实:
定理对于均值漂移线性回归模型,如果假设成立,则
据此,我们得到如下检验:
对给定的,若
,
则判定第组数据为异常点.当然,这种检验会犯“判无为有”的错误,也就是可能不是异常点,而被误判为异常点.但我们犯这种错误的概率只有,事先我们可以把它控制的很小.
显然,根据分布与分布的关系,我们也可以用检验法完成上面的检验.若定义
对给定的,当
时,我们拒绝假设.即判定第组数据为异常点.
3.2残差及残差图检验异常值
前面定义了,称为残差向量,其分量形式,,称为第次试验或观测的残差.特别地,对简单回归,,..所以,,.
残差是最重要的一种回归诊断量,它蕴涵了有关模型基本假设的许多重要信息.残差分析就是对残差进行统计处理,从中提炼出这些信息的方法.而残差图就是残差分析中使用的基本工具.所谓残差图就是残差对因变量或自变量,或其它导出统计量(如拟合值)的点子图,有时候也用残差对时间或对数据序数的点子图.最简单的图,尤其在简单回归中,为残差对拟合值的图.
所谓异常数据就是相对于其它观测值来说,具有大的残差的数据点.利用残差及残差图检验异常值的方法是用所给数据计算出残差,与其余观测值的残差进行比较,具有大的残差的数据点被怀疑为异常值.然后作出自变量与因变量的散点图,残差对拟合值的残差图以及残差对自变量的残差图,从图中观察,那些远离大多数观测点的孤立的点有理由被认为是异常点.然后从数据中删除这些点,再次估计回归方程,作出与的散点图以及对的残差图,计算标准差,与删除前进行比较.
4提出两种处理方法
4.1采用虚拟变量消除异常值的影响
(1)虚拟变量
某类变量(如性别、种族、颜色、宗教、国家、战争、地震等)常常表示某属性是否存在,如男或女,黑种人或白种人,教徒或非教徒,对于这类变量可用“数量化”方法设计人为变量来表示,如用“”或“”,“”表示不存在某种属性,“”表示存在该属性.例如:
用“”表示男性,“”表示女性,或用“”表示大学毕业,“”表示没有大学毕业,等等.这样假设的变量,如“”或“”称为虚拟变量,也称为类型变量或属性变量,它的主要特点就是将一些可以划分为不同类型或属性的变量用“”和“”分别表示,即属于某一类型的变量用“”表示,不属于这一类型的变量用“”表示.这里用表示虚拟变量.
(2)处理异常值的方法
在这里,我们用虚拟变量(或)把试验数据划分为两类,属于异常值一类用“”表示,属于正常值一类用“”表示.引入虚拟变量,建立回归方程:
其中,,,.特别地,对简单回归,建立回归方程:
其中,,,.
利用所给数据,作出回归估计.这样,异常值的影响被虚拟变量的系数吸收,从而估计更接近于现实.
4.2剔除异常值的方法
对于测定中的异常值的剔除,我们必须持慎重态度,不能贸然从事.否则会出现误删有效数据或保留异常数据的错误.通常处理步骤大致如下:
(1)初分析:
首先利用所给数据作出回归估计:
其中,.特别地,对简单回归,,其中,,并计算标准差:
,以及拟合值、残差,并列入表.然后作出与的散点图,拟合值与残差的残差图,分析判别出异常值.
(2)判别出异常值后,从测量数据中删除异常值,然后利用余下的观测值再次作回归估计,同第一步,计算标准差、拟合值以及残差,作出删除异常数据后的散点图与残差图.
(3)对比删除异常值前后的标准差以及残差图.
对于单一可疑异常数据,直接按上述步骤进行剔除异常值.对于多个可疑异常值的情况,上述剔除步骤反复逐次进行至无可剔除为止.通常可采用两种方法:
向前逐一剔除法(从极大值依次向次大值逐一剔除)和向后逐一剔除法(从可疑的个最大值依次从小到大逐一剔除).
5实例分析
5.1实例一
假定某调查数据和由表中给出.
表数据和
序号
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
1.10
2.00
2.30
3.10
3.00
2.80
3.20
3.80
4.00
4.20
4.80
5.00
5.10
6.00
5.50
0.90
1.80
2.70
2.50
7.50
3.50
4.50
根据表中数据作回归估计,得回归方程:
.并算得
图1散点图
表各组数据的诊断统计量
1.5815
2.3348
2.5859
3.2555
3.1718
3.0044
3.3392
3.8414
4.0088
4.1762
4.6784
4.8458
4.9295
5.6828
5.2643
-0.6815
-0.5348
-0.5859
-0.5555
-0.6718
4.4956
-0.3392
-0.3414
-0.5088
-0.1762
-0.1784
-0.0458
0.0705
-0.1828
0.2357
-0.516
-0.405
-0.443
-0.420
-0.508
3.401
-0.257
-0.258
-0.385
-0.133
-0.135
-0.035
0.053
-0.138
0.178
-0.501
-0.392
-0.429
-0.406
-0.493
9.841
-0.248
-0.249
-0.372
-0.128
-0.130
-0.033
0.051
0.117
从表最后一列可以看出只有超过这个值,于是我们诊断出第六号数据为异常值.然后引入虚拟变量,建立回归方程:
,作回归估计.令
,,.
得
,,.所以,回归模型为:
.并且算得.
从的值来看,这个回归方程[见图中]要比未采用虚拟变量所估计的回归方程[见图中]其拟合程度好多了.这是因为异常值的影响被虚拟变量的系数吸收,所以比处理前求得的估计值更接近于现实.因此虚拟变量是消除异常值的影响,探求变量之间真正关系的一种有效方法.
图2
5.2实例二
表给出了Forbes数据.
表Forbes数据
沸点
气压
(英寸汞柱)
Log
(气压)
100×
Log