SAS6.11版岭回归分析程序设计及其实例分析

应用岭回归分析可以解决自变量之间存在复共线性时的回归问题。本文给出了在SAS6.1 1及以上版本中实现岭回归分析的程序 ,用具体实例说明进行岭回归的方法     

处理多元线性回归中自变量共线性的几种方法：—SAS／STAT软件（6．12）中RE

本文通过例子介绍多元线性回归中自变量共线性的诊断以及使用SAS／SATA（6．12）软件中的REG等过程的增强功能处理回归变量共线性的一些方法,包括筛变量法,岭回归分析法,主成分回归法和稔蕞小二乘回归法。     

着眼一个截面 探讨一组性质

如图１,在已知三棱锥Ｓ—ＡＢＣ中,截面ＥＦＧＨ平行于它的一组对棱ＳＡ和ＢＣ．下面探讨截面ＥＦＧＨ的一组性质,供教学时参考．性质１　（截面形状）截面是平行四边形的充要条件是截面平行于三棱锥的一组对棱．事实上,给三棱锥Ｓ—ＡＢＣ附加一些定量或定性条件,会引起截面形状的变化．如：①ＳＡ＝ＢＣ且Ｈ是ＳＢ的中点　截面是菱形．②ＳＡ⊥ＢＣ,ＳＡ≠ＢＣ且Ｈ是ＳＢ的中点　截面是矩形．③ＳＡ⊥ＢＣ,ＳＡ＝ＢＣ且Ｈ是ＳＢ的中点　截面是正方形．性质２　（截面周长）在已知三棱锥Ｓ—ＡＢＣ中,ＳＡ＝ａ,ＢＣ＝ｂ,Ｓ…     

双对称非负定阵一类逆特征值问题的最小二乘解

１．引言 逆特征值问题在工程中有广泛的应用,其研究已有一些很好的结果［１－５］．最近,文［６］还研究了双对称矩阵逆特征值问题,即研究了如下两个问题： 问题Ａ．已知Ｘ∈Ｒｎｘｍ,Ａ＝ｄｉａｇ（λ１…,λｍ）,求Ａ∈ＢＳＲｎｘｎ使 ＡＸ＝ＸＡ,其中 Ｒｎｘｍ表示全体 ｎ ｘ ｍ实矩阵集合, ＢＳＲｎｘｎ表示全体 ｎ ｘ ｎ双对称阵集合． 问题Ｂ．已知Ａ＊ＥＲｎｘｎ,求Ａ∈ＳＥ使 ｜｜Ａ＊－Ａ｜｜＝ ｉｎｆ ｜｜Ａ＊－Ａ｜｜ ＡＦＳＥ其中 ＳＥ是问题 Ａ的解集合,｜｜． ｜｜表示 Ｆｒｏｂｅｎｉｕｓ范数． 在实际问题中, …     

相依回归模型的岭型GLS估计及其优良性

本文首先提出了相依回归模型的岭型ＧＬＳ估计，然后讨论了其优良性。     

PPR的收敛性和全面攻击导弹数据处理

本文证明了投影寻踪回归(Projection Pursuit Regression简称PPR)中岭函数为多项式形式时,PPR的L_2收敛性;对岭函数为多项式形式的投影寻踪回归给出了一种新的算法;应用这种算法对全向攻击导弹数据进行了处理,所获得的回归模型可供科研单位实际使用.     

岭回归和核主成分回归在消除共线性中的实证分析及比较

检测和解决多元回归分析中的多重共线性问题具有重要意义.本文采用岭回归(RR)和核主成分回归(KCPR)对同一数据进行回归分析,使用方差膨胀因子(VIF)和条件指数(CI)作为共线性诊断的量度,并对回归模型结果进行比较.经过实证分析,发现这两种回归方法都能很好地消除多重共线性,总的来说核主成分回归的对内拟合效果要优于岭回归.但是这两种方法的参数选择的不同对回归模型的好坏都有巨大影响,需要进一步分析判断.     

处理多元线性回归中自变量共线性的几种方法--SAS/STAT软件(6.12)中REG等过程增强功能的使用

本文通过例子介绍多元线性回归中自变量共线性的诊断以及使用 SAS/SATA( 6.12 )软件中的 REG等过程的增强功能处理回归变量共线性的一些方法。包括筛选变量法 ,岭回归分析法 ,主成分回归法和偏最小二乘回归法     

THE PATHWISE SOLUTION FOR A CLASS OF QUASILINEAR STOCHASTIC EQUATIONS OF EVOLUTION IN BANACH SPACE Ⅱ

ＴＨＥＰＡＴＨＷＩＳＥＳＯＬＵＴＩＯＮＦＯＲＡＣＬＡＳＳＯＦＱＵＡＳＩＬＩＮＥＡＲＳＴＯＣＨＡＳＴＩＣＥＱＵＡＴＩＯＮＳＯＦＥＶＯＬＵＴＩＯＮＩＮ　ＢＡＮＡＣＨＳＰＡＣＥⅡＨｕＹａｏｚｈｏｎｇ（ＷｕｈａｎＩｎｓｔ．ｏｆＭａｔｈ．Ｓｃｉ．，Ｃｈｉｎ．Ａ...     

AN HARMONIC ANALYSIS FOR OPERATORS IN THE CASE OF A LOCALLY COMPACT ABELIAN GROUP：F．AND M．RIESZ THEOREMS

ＡＮＨＡＲＭＯＮＩＣＡＮＡＬＹＳＩＳＦＯＲＯＰＥＲＡＴＯＲＳＩＮＴＨＥＣＡＳＥＯＦＡＬＯＣＡＬＬＹＣＯＭＰＡＣＴＡＢＥＬＩＡＮＧＲＯＵＰ：Ｆ．ＡＮＤＭ．ＲＩＥＳＺ　ＴＨＥＯＲＥＭＳＹｕＳｈｕｍｏ（于树模）（Ｄｅｐｔ．ｏｆＭａｔｈ．，ＦｕｄａｎＵｎｉｖ...     

关于逐步回归分析的一个注记

逐步回归是多元回归分析筛选自变量的一种重要思想方法。利用矩阵消去变换的知识,证明了逐步回归第一步引入变量,第二步引入变量,第三步不可能剔除变量。最后对经典Hald数据利用SAS统计软件,编程实现逐步回归分析.     

最优数学模型筛选法确定流量系数的经验公式

应用简单的最小二乘回归分析原理对多个数学模型进行分析,得到了水利工程中有坎宽顶堰流量系数的经验公式,并对其精度进行了讨论.对指导实际工程意义重大.     

Regularized fuzzy clusterwise ridge regression

Fuzzy clusterwise regression has been a useful method for investigating cluster-level heterogeneity of observations based on linear regression. This method integrates fuzzy clustering and ordinary least-squares regression, thereby enabling to estimate regression coefficients for each cluster and fuzzy cluster memberships of observations simultaneously. In practice, however, fuzzy clusterwise regression may suffer from multicollinearity as it builds on ordinary least-squares regression. To deal with this problem in fuzzy clusterwise regression, a new method, called regularized fuzzy clusterwise ridge regression, is proposed that combines ridge regression with regularized fuzzy clustering in a unified framework. In the proposed method, ridge regression is adopted to estimate clusterwise regression coefficients while handling potential multicollinearity among predictor variables. In addition, regularized fuzzy clustering based on maximizing entropy is utilized to systematically determine an optimal degree of fuzziness in memberships. A simulation study is conducted to evaluate parameter recovery of the proposed method as compared to the extant non-regularized counterpart. The usefulness of the proposed method is illustrated by an application concerning the relationship among the characteristics of used cars.     

运用SAS软件系统对上证综合指数的预测分析

本文运用 SAS软件系统中的一些时间序列建模方法及回归分析方法对我国上海证券交易所的上证综合指数作了预测分析 ,得到了较高的预测精度 ,为预测股票市场的整体走势提供了一种方便实用的方法     

基于泛岭估计对岭估计过度压缩的改进方法

岭估计是解决多元线性回归多重共线性问题的有效方法,是有偏的压缩估计。与普通最小二乘估计相比,岭估计可以降低参数估计的均方误差,但是却增大残差平方和,拟合效果变差。本文提出一种基于泛岭估计对岭估计过度压缩的改进方法,可以改进岭估计的拟合效果,减小岭估计残差平方和的增加幅度。     

多元协方差阵扰动模型岭估计的影响分析

本文研究了多元线性同归模型岭估计的影响分析问题.利用最小二乘估计方法,获得了多元协方差阵扰动模型与原模型参数阵之间的岭估计的一些关系式,给出了度量影响大小的基于岭估计的广义Cook距离.     

Penalized Nonparametric Scalar-on-Function Regression via Principal Coordinates

A number of classical approaches to nonparametric regression have recently been extended to the case of functional predictors. This article introduces a new method of this type, which extends intermediate-rank penalized smoothing to scalar-on-function regression. In the proposed method, which we call principal coordinate ridge regression, one regresses the response on leading principal coordinates defined by a relevant distance among the functional predictors, while applying a ridge penalty. Our publicly available implementation, based on generalized additive modeling software, allows for fast optimal tuning parameter selection and for extensions to multiple functional predictors, exponential family-valued responses, and mixed-effects models. In an application to signature verification data, principal coordinate ridge regression, with dynamic time warping distance used to define the principal coordinates, is shown to outperform a functional generalized linear model. Supplementary materials for this article are available online.     

Robust kernel ridge regression based on M-estimation

Ridge regression (RR) and kernel ridge regression (KRR) are important tools to avoid the effects of multicollinearity. However, the predictions of RR and KRR become inappropriate for use in regression models when data are contaminated by outliers. In this paper, we propose an algorithm to obtain a nonlinear robust prediction without specifying a nonlinear model in advance. We combine M-estimation and kernel ridge regression to obtain the nonlinear prediction. Then, we compare the proposed method with some other methods.