我眼中的回归变量筛选

       变量筛选是回归建模过程关键的一步，由于变量间的相关性，必然会导致不同的筛选方法得到不同的模型。

       在所有变量筛选方法中，向前法、向后法以及逐步回归法的使用频率较高，因为这类方法操作简单、运算速度快，非常实用，这种方法选出的变量 在入模后模型比较接近最优。

       然而经向前法、向后法与逐步回归法筛选出的变量构建的模型并不是最优模型，若想构建最优模型，可以通过构建每个X的组合去获取最优变量组合，即全子集法。但全子集法因运算速度等限制，会有使用上的局限性，一般全子集法只会用在小量样本和少变量的情况。

       还有其他方法可以和回归结合达到筛选变量的目的，例如Lasso算法。Lasso处理的是稀疏系数回归，例如如果自变量共200个，因大量自变量间相关性过强，其中显著的自变量仅有10个，即变量的显著情况十分稀疏，这种情况可以尝试用Lasso去筛选变量。

       其实没有一种方法可以在建模阶段直接获得最高效的变量组合。实际场景中，我会先对样本进行小额抽样或变量粗筛，在减少变量个数后使用全子集法进行变量选择，最后会用逐步法进行变量的进一步筛选，从而获得若干个备选模型，然后在模型验证阶段确定出最有效的模型。

                                                                  我眼中的回归预测

       回归模型的预测功能指根据自变量X的取值去 估计或预测 因变量Y的取值，一般，预测或估计的类型主要有两种，即：

1、点估计

• Y的平均值的点估计

• Y的个别值的点估计

2、区间估计

• Y的平均值的置信区间估计

• Y的个别值的预测区间估计

       需要注意，用回归模型进行预测时，模型中自变量的取值离均值越远则预测的结果就会越不可靠。即进行预测时，X的取值不可以超过建模样本中X的值域，如果预测时X的值超过了建模样本中X的值域，那么预测出来的结果是不可靠的。例如，构建收入消费模型，自变量之一为收入水平，且收入水平的取值为5万-50万，那么该模型是不能够预测收入500万的人群的。

       如果预测时严格的遵守X的取值在建模样本X的值域范围内，那么这种预测即为predict内插预测。但是有些时候无法保证预测的X值一定就在建模样本X的值域范围内，这种情况即需要用到外推预测forecast，回归模型无法实现外推预测，一般外推预测forecast会存在于时间序列中。

        如下为实现线性回归的SAS代码，其中加入了p参数以实现对原始数据的预测：

                                                                 什么是点估计与区间估计

      点估计是用数据函数给出未知参数估计量，一般这个估计函数被称为估计统计量。

      然而，由于数据具有随机性的特点，随机数据带入该估计函数时会得到不同的估计值，所以需在点估计的基础上包裹出一个邻域区间，即区间估计。

       例如替别人买饭，对方只喜欢一种口味的菜，但具体喜欢哪道菜你并不知道。那么可以有两种购买方式，随机只买一道菜，这种方法可以理解为点估计；多买几道菜，这种方法可以理解为区间估计。很显然，区间估计的方法买错的风险被降低了、买到对方喜欢的菜的概率会更高，当然你也要付出多付钱的代价。

我的公众号：Data Analyst

个人网站：https://www.datanalyst.net/