转自个人微信公粽号【易学统计】的统计学习笔记：线性回归异方差问题，如何修正！
题记：本文是个人的读书笔记，仅用于学习交流使用。
01 研究问题
本文接自多元线性回归，异方差怎么处理？加权最小二乘法，这篇文章有小伙伴后台留言问我，关于加权权重如何获取的问题，对于高纬变量的话，经验筛选权重有点复杂，今天分享一个常用的权重获取计算算法，是用R实现。关于异方差的基本知识，可以参考这篇文献，这里不再赘述。
02 两种修正方法
一般来讲，修正异方差的方法有两种：一种是OLS+稳健标准误；一种是加权最小二乘法（WLS）。前者较为简单，根据陈强老师《高级计量经济学》中的描述，
“只要样本容量较大，即使在异方差的情况下，若使用稳健标准误，则所有参数估计、假设检验均可照常进行”，加权最小二乘法过程如下：
03 案例说明
加载数据
dt <- read.csv('加权最小二乘法.csv',stringsAsFactors=F)
fit <- lm(dt$Cancer~.,data=dt) #构建多元线性回归
- 最小二乘法回归，并计算残差r
r <- residuals(fit)
- 计算数据残差的平方，即r2
r2 <- r^2
- 对r2取对数(log)作为因变量，并对解释变量做辅助回归（不显著的变量去掉）
logr <- log(r2,10)
- 计算辅助回归的拟合值G
temp1 <- data.frame(group=logr,dt[,-1])
fit1 <- lm(group~.,data = temp1)
- 对G做指数化处理，定义H=exp（G）
G = fit1$fitted.values
H <- exp(G)
- 以1/H为权重做加权最小二乘法回归。
fit.w <- lm(dt$Cancer~.,data=dt,weights = 1/H) #构建多元线性回归
summary(fit.w) ##结果如下
1623049244(1).png
- 模型异方差诊断
car::ncvTest(fit.w)
Non-constant Variance Score Test
Variance formula: ~ fitted.values
Chisquare = 0.1929519, Df = 1, p = 0.66047
##P >0.05,说明修正后的模型方差符合要求。
04 总结
对比本次分析的结果和多元线性回归，异方差怎么处理？加权最小二乘法，模型的回归结果和R^2基本保持一致，之前分析结果如下：
1623049639(1).png
上述整个过程叫做可行加权最小二乘法（FWLS）的处理过程。
更多统计小知识，请关看 公粽号 易学统计
更多阅读
R语言：样条回归构建
R语言|广义相加模型(GAM)
R语言：多水平统计模型
R语言：广义估计方程(GEE)
R语言|两因素重复测量方差分析
R语言|基于Cox模型pec包深度验证
R语言|中位生存时间列线图绘制
R语言|Cox模型校准度曲线绘制
R语言|中位生存时间列线图绘制
基于Lasso回归筛选变量构建Cox模型并绘制Nomogram
R语言Logistic回归模型验证及Nomogram绘制
如何进行高维变量筛选和特征选择(一)？Lasso回归
