※ 引述《[email protected] (老怪物)》之铭言： : ※ 引述《[email protected] (......)》之铭言： : > 我目前要用一个模型来看 某种昆虫数量变化与气候因子的关系 : > 应变相当然是昆虫的数量， 自变相就是各种气候的指标（包括 温度、雨量、湿度 : > 前两周的均温、前两周的累积雨量.......诸如此类） : > 由於我的自变相之间具有高度的共线性 : > 因此我想利用主成分分析来转换挑选出新的变相，不知道这个观念正确吗？ : > 还是我是说我必须先利用因素分析来找出背後的相关性，再利用PCA来挑变相？ : > 我对於解决变相间共线性的问题不是很熟悉，请问还有其他的方法吗？ : > 我原本想运用Time series analysis来作分析 因为我有20年的资料， : > 可是我发现如果我fit到high order的model 会产生无法解释的窘境... : > 麻烦高手给些意见罗！ 谢谢！ : 因为是时间数列资料, 可能诸变数受共同因素或自然趋势 : 影响而有高度关联. 影响所及, 不仅解释变数间会有共线 : 性问题, 反应变数与解释变数间的关联也不正确. 修正方 : 法可尝试 (不是全部可能方案, 也不能说是最适方案): : (1) 考虑误差项之间有某种型态的序列相关. : (2) 考虑 "变化量" 而非原数量. : (3) 加入 "趋势" 效应项. : 至於线性回归模型中解决自变数共线性问题, 主成分回归 : 与脊回归, 是两种简单的方式. 其中主成分回归就是将解 : 释变数做主成分变换, 然後撷取重要主成分当模型的解释 : 变数, 最後再将配适的回归模型转回用原变数表示. 谢谢！ 我想我会先使用PCA试看看！ 基本上我虽然有二十年的资料 但不是连续性的， 资料点是从每年的五月到九月（该昆虫的季节） 以每两周作为时间的单位（符合昆虫的生活史）， 所以气候相关的数据皆是以每两周做累积或平均。 您上述所提的加入趋势项，我并不是很了解，这样对於解释共线性有什麽作用？ 此外，我最近在paper读到有一种 sequential regression可用来解决共线性的问题 不过我不清楚他在SAS下面要如何操作 --

※ 发信站: 批踢踢实业坊(ptt.cc) ◆ From: 141.211.10.132