Ağırlıklı en küçük kareler (WLS) regresyonu dönüştürülmüş bir model değildir. Bunun yerine, her bir gözlemi, ve Y arasındaki temel ilişki hakkında az ya da çok bilgilendirici olarak görüyorsunuz . Daha bilgilendirici olan noktalara daha fazla ağırlık, daha az bilgilendirici olanlara daha az ağırlık verilir. Ağırlıklı en küçük kareler (WLS) regresyonunun teknik olarak sadece ağırlıklar a priori biliniyorsa geçerlidir. XY
Xdurum. Sonuç olarak, artıkların varyansına ilişkin fonksiyonu tahmin değişkenlerinizin seviyelerine göre tahmin etmeye çalışabilirsiniz.
Bu tahminin nasıl yapılması gerektiğiyle ilgili birkaç sorun vardır:
Ağırlıkların, varyansın karşılığı olması gerektiğini (veya ne kullanırsanız kullanın) unutmayın.
XX
Xplot(model, which=2)
Xortanca medyan mutlak sapması .
XX
Ağırlıklarınızı bir OLS regresyonunun kalıntılarından almak mantıklıdır çünkü OLS, heteroscedastisitenin varlığında bile tarafsızdır. Bununla birlikte, bu ağırlıklar orijinal modele bağlıdır ve sonraki WLS modelinin uyumunu değiştirebilir. Bu nedenle, sonuçlarınızı iki regresyondaki tahmini betaları karşılaştırarak kontrol etmelisiniz. Çok benzerlerse, iyisindir. Eğer WLS katsayıları OLS olanlardan ayrılırsa, artıkları manuel olarak hesaplamak için WLS tahminlerini kullanmalısınız (WLS uyumundan bildirilen artıklar ağırlıkları dikkate alacaktır). Yeni bir artık seti hesapladıktan sonra, ağırlıkları tekrar belirleyin ve yeni ağırlıkları ikinci bir WLS regresyonunda kullanın. Bu işlem, iki tahmini beta grubu yeterince birbirine benzinceye kadar tekrarlanmalıdır (bunu bir kez yapmak bile nadirdir).
Bu işlem sizi biraz rahatsız ediyorsa, ağırlıklar tahmin edildiğinden ve daha önceki hatalı modele bağlı olduklarından, başka bir seçenek Huber-White 'sandviç' tahmincisini kullanmaktır . Bu, ne kadar şiddetli olursa olsun heterossedastikliğin varlığında bile tutarlıdır ve modele bağlı değildir. Aynı zamanda potansiyel olarak daha az güçlüktür.
Buradaki cevabımda ağırlıklı en küçük kareler basit bir versiyonunu ve sandviç SE'lerin kullanımını gösteriyorum: Heterossedastik veriler için tek yönlü ANOVA alternatifleri .