
回归与预测
|
111
预测区间还是置信区间
?
预测区间涉及围绕单个值的不确定度,而置信区间则与由多个值计算得到的
统计量(如均值)相关。因此,对于同一个值,预测区间的范围通常要比置
信区间宽一些。为了在自助模型中建模单个值的误差,需要选择单个残差去
处理预测值。这时,我们应该选用两者中的哪一个?这取决于具体的分析场
景和目的。但是,数据科学家通常关注的是特定的单个预测,因此预测区间
更适用。如果在应该使用预测区间时使用了置信区间,将严重低估给定预测
值的不确定度。
本节要点
•
超出数据范围的外推会导致误差。
•
置信区间量化了回归系数的不确定度。
•
预测区间量化了单个预测中的不确定度。
•
包括
R
在内的很多统计软件,都会使用公式在默认或指定输出中给出预测区间和置
信区间。
•
也可以使用自助法确定置信区间,该做法的解释和理念同上。
4.4
回归中的因子变量
因子变量
(
factor variable
)也称为
分类变量
,它是一组数量有限的离散值。例如,贷款目的
可以是“债务合并”“办婚礼”“购买汽车”等。因子变量的一种特殊情况是二元(即是
/
否)
变量,也称为
指示变量
。回归需要数值输入,因此,要在回归模型中使用因子变量,需要对
因子变量进行重新编码。最常用的编码方法是将因子变量转换为一组二元
虚拟
变量。
主要术语
虚拟变量
二元的
0/1
变量,通过对因子数据重新编码得到,可用于回归模型或其他模型。
参考编码
统计学家最常使用的编码类型。它以因子的一层作为参考层,并将其他因子与参
考层进行对比。
同义词:编码处理
独热编码
(
one hot ...