※ 引述《sandows (仙道群)》之銘言： : : 有! 很簡單! : : SST = SSR + SSE for any model includes the constant term. : : SSE(X1,X2) ≦ SSE(X1) by the definition of least squares. : ^^^^^^^^^^^^^^^^^^^^^ : 這樣算是什麼定義，我還是不懂 : 因為定義上要minimize SSE, subject to 比較多的variables會佔優勢嗎？ 數學式 額外平方合的定義 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 因為用兩個解釋變數X1.X2去解釋Y 所產生的未解釋變異SSE(X1,X2)一定比SSE(X1)來的小 [SSE(X1)指的是用一個解釋變數X1去解釋Y所產生的未解釋變異] 我是這樣想 你用兩個解釋變數X1,X2去解釋Y 當然其不能解釋的變異SSE(X1,X2)一定比較小 用越多解釋變數去解釋Y 假設你用X1,X2,X3.....X100 同時用100個X去解釋Y 所產生的未解釋變異SSE(X1,X2,X3....X100)一定會更小 等號成立是在 當X1已存於模型時 加入X2以後 此解釋變數完全無法降低未解釋變異 不過解釋能力強弱不能直接看X1,X2...的多寡 要看相對的能力 Adj R^2 才是 以上是我的想法 有錯請指正 謝謝 : 我猜的.... : 話說～這一步跟我們印度老師講得完全一樣 : 他是講什麼從minimize包含小集合的大集合 : 會比minimize小集合大.... : 基本上他的英文對我來說是相當有難度啦～～ : 更慘的是每次問完他問題他還會說 : 老子他媽的是統計博士，比你強是天經地義～不要難過.... : 當然他是講英文....也是相當以鼓勵代替責備的語氣.... : 但是每次聽都有相哭的感覺 : 我又何嘗不是在唸博士呢？ : : 可以找找... : : 給你一個參考答案 (沒有查證, 希望我沒弄錯): : : ^ ~ 2 : : SSR(X2|X1) = Σ(Y - Y) : : ^ ~ : : 其中 Y 為較繁模型之 fitted value, Y 為較簡模型之 : : fitted value. : : 用矩陣來證明其實不難! : 這些事情等我考完期末可以來做做看 --

※ 發信站: 批踢踢實業坊(ptt.cc) ◆ From: 140.128.103.99 ※ 編輯: AhowXD 來自: 140.128.103.99 (03/17 17:21)