在小样本中,当需要考虑异方差时wild bootstrap
,R 包中的实现是一个不错的选择。
今天,在多元回归实验时,我向客户展示了标准残差与标准预测变量图SPSS可以提供的内容。这是我们通常用来评估同方差的图。我创建的补充R材料包括如何使用该程序包获得异方差一致性标准错误(HCSE)。
我在课上提到有些人建议默认使用HCSE。下课后,我试图了解不同HC之间的区别。以下论文是有帮助的:Zeileis (2004),1 Long & Ervin (2000),2 Cribari-Neto, Souza & Vasconcellos (2007),它也可以作为处理小样本量异方差的简短参考。
我了解到HCSE可能会出现问题 。 Wild Bootstrap可以很好地保持小样本(n = 40)在同方差, 异方差下的名义错误率 。
r软件包包含一个称为的函数Pboot()
,该函数执行通配引导程序来纠正异方差。
据我所知,该函数有一个局限性:执行回归时,不能 使用可选的dataframe参数lm()
。这是此数据集的示例:
您不能将数据帧传递给Pboot函数,因此在调用之前需要接下来的几行lm()
。
Estimate Std. Error t value Pr(>|t|) (Intercept) 67.884318 1.1526357 58.894861 3.017231e-41 ptr_c -2.798285 0.3685282 -7.593138 2.427617e-09 mts_c_10 2.477010 0.8167532 3.032752 4.190607e-03 Pboot(model = fit.0, J = 1000, K = 100) $beta [1] 67.884318 -2.798285 2.477010 $ci_lower_simple [1] 65.5454924 -3.7301276 -0.0653991 $ci_upper_simple [1] 70.221038 -1.904783 4.969260
教师月薪的CI包括0,有证据表明我们无法将其斜率与0区别开。α = .05的推论与OLS不同。