※ 引述《sandows (仙道群)》之铭言： : : 有! 很简单! : : SST = SSR + SSE for any model includes the constant term. : : SSE(X1,X2) ≦ SSE(X1) by the definition of least squares. : ^^^^^^^^^^^^^^^^^^^^^ : 这样算是什麽定义，我还是不懂 : 因为定义上要minimize SSE, subject to 比较多的variables会占优势吗？ 数学式 额外平方合的定义 SSR(X2|X1)=SSR(X1,X2)-SSR(X1) =SSE(X1)-SSE(X1,X2) 又SSR(X2|X1)>=0 所以SSE(X1)>=SSE(X1,X2) 用想法想 因为用两个解释变数X1.X2去解释Y 所产生的未解释变异SSE(X1,X2)一定比SSE(X1)来的小 [SSE(X1)指的是用一个解释变数X1去解释Y所产生的未解释变异] 我是这样想 你用两个解释变数X1,X2去解释Y 当然其不能解释的变异SSE(X1,X2)一定比较小 用越多解释变数去解释Y 假设你用X1,X2,X3.....X100 同时用100个X去解释Y 所产生的未解释变异SSE(X1,X2,X3....X100)一定会更小 等号成立是在 当X1已存於模型时 加入X2以後 此解释变数完全无法降低未解释变异 不过解释能力强弱不能直接看X1,X2...的多寡 要看相对的能力 Adj R^2 才是 以上是我的想法 有错请指正 谢谢 : 我猜的.... : 话说～这一步跟我们印度老师讲得完全一样 : 他是讲什麽从minimize包含小集合的大集合 : 会比minimize小集合大.... : 基本上他的英文对我来说是相当有难度啦～～ : 更惨的是每次问完他问题他还会说 : 老子他妈的是统计博士，比你强是天经地义～不要难过.... : 当然他是讲英文....也是相当以鼓励代替责备的语气.... : 但是每次听都有相哭的感觉 : 我又何尝不是在念博士呢？ : : 可以找找... : : 给你一个参考答案 (没有查证, 希望我没弄错): : : ^ ~ 2 : : SSR(X2|X1) = Σ(Y - Y) : : ^ ~ : : 其中 Y 为较繁模型之 fitted value, Y 为较简模型之 : : fitted value. : : 用矩阵来证明其实不难! : 这些事情等我考完期末可以来做做看 --

※ 发信站: 批踢踢实业坊(ptt.cc) ◆ From: 140.128.103.99 ※ 编辑: AhowXD 来自: 140.128.103.99 (03/17 17:21)