famamacbath回归不显著

Posted 2023-05-10

famamacbath回归分析出现结果不显著情况可能有以下几种原因：
一、自变量共线性
在进行线性famamacbath回归分析时，很容易出现自变量共线性问题，通常情况下VIF值大于10说明严重共线，VIF大于5则说明有共线性问题。当出现共线性问题时，可能导致回归系数的符号与实际情况完全相反，本应该显著的自变量不显著，本不显著的自变量却呈现出显著性。
如果使用SPSSAU进行分析，可以在分析结果中看到VIF值大小。
解决方法：
（1）手动移除出共线性的自变量
先做下相关分析，如果发现某两个自变量X（解释变量）的相关系数值大于0.7，则移除掉一个自变量（解释变量），然后再做回归分析。但此种办法有一个小问题，即有的时候根本就不希望把某个自变量从模型中剔除，如果有此类情况，可考虑使用逐步回归让软件自动剔除，同时更优的办法可能是使用岭回归进行分析。
（2）逐步回归法
让软件自动进行自变量的选择剔除，逐步回归会将共线性的自变量自动剔除出去。此种解决办法有个问题是，可能算法会剔除掉本不想剔除的自变量，如果有此类情况产生，此时最好是使用岭回归进行分析。
（3）增加样本容量
增加样本容量是解释共线性问题的一种办法，但在实际操作中可能并不太适合，原因是样本量的收集需要成本时间等。
（4）岭回归
上述第1和第2种解决办法在实际研究中使用较多，但问题在于，如果实际研究中并不想剔除掉某些自变量，某些自变量很重要，不能剔除。此时可能只有岭回归最为适合了。岭回归是当前解决共线性问题最有效的解释办法，但是岭回归的分析相对较为复杂，后面会提供具体例子，当然也可以参考 SPSSAU官网岭回归 说明。
（5）利用因子分析合并变量
共线性问题的解释办法是，理论上可以考虑使用因子分析（或者主成分分析），利用数学变换，将数据降维提取成几个成分，即把信息进行浓缩，最后以浓缩后的信息作为自变量（解释变量）进入 模型进行分析。此种解释办法在理论上可行，而且有效。但实际研究中会出现一个问题，即本身研究的X1,X2,X3等，进行了因子分析(或主成分）后，变成成分1，成分2类似这样的了，意义完全与实际研究情况不符合，这导致整个研究的思路也会变换，因而此种办法适用于探索性研究时使用，而不适合实际验证性研究。
二、数据存在异常值
如果数据中存在极端异常值，有时会导致模型构建与真实情况产生区别，使得原本应该显著的自变量不显著。
解决方法：
查看数据中是否有异常值，可通过比如描述分析、箱线图、散点图等查看，找出异常值，并且处理掉异常值（SPSSAU用户可使用“ 异常值 ”功能）。
也或者使用 稳健回归 （Robust回归进行分析，Robust回归是专门处理异常值情况下的回归模型）。
三、异方差
如果模型存在明显的异方差性，会影响回归系数的显著情况，得到的回归模型是低效并且不稳定。
解决方法：
保存残差项，将残差项分别与模型的自变量X或者因变量Y，作散点图，查看散点是否有明显的规律性。如果有明显的异方差性，建议重新构建模型，比如对Y取对数后再次构建模型等。
四、数据之间没有显著影响关系
如果排除了这些原因还是不显著，那么可能说明解释变量对被解释变量无显著影响。 参考技术A 首先可能是因为这种fama mac bath在进行使用的时候，操作方法不正确导致的，因为在日常生活中是有很多特殊的产品类型的，比如说这个产品如果回归不显著，可能操作方法不正确，或者是发生了故障造成的，因此回归不显著的。 参考技术B 你好。是正常的，Fama-Macbeth回归是实证资产定价中最为常用方法之一。它的主要用途是验证因子对资产收益率是否产生系统性影响。与投资组合分析不同的是，Fama-Macbeth回归可以在同时控制多个因子对资产收益率的影响下，考察特定因子对资产收益率产生系统性影响，具体体现在因子是否存在显著的风险溢价（risk premium）。 参考技术C F & M采用1926-1968年的数据所作的实证研究表明：给定市场组合是有效组合的前提下，无法拒绝CAPM模型对资产收益的推断。收益-风险的非线性结构只在部分子样本期出现，全样本中没有明确证据支持该假设。非beta风险则不对资产收益具有系统性影响。
尽管Fama & Macbeth(1973)采用市场数据进行的实证检验支持了CAPM的模型推断，然而在20年后，Fama的系列实证研究却对CAPM反戈一击，其在更新的数据和其他研究人员的基础上发现了除Beta系数外与股票收益显著相关的公司特征，由此提出了实证资产定价的多因子模型 —— FF三因子模型。而本文的结论虽然被后面的研究所推翻，但本文提出的FM两步回归法仍然被因子模型的系列研究所采纳，统计方法的创新可以称得上本文的最大贡献。 参考技术D 不显著，则表明这两个变量之间没有显著的线性关系或相关性，即两个变量之间存在着弱而不显著的线性关系。

R语言splines包构建基于logistic回归的自然样条分析：南非心脏病数据集非线性：基函数展开和样条分析你简单分析的不重要特征，可能只是线性不显著而非线性是显著的

R语言splines包构建基于logistic回归的自然样条分析：南非心脏病数据集、非线性：基函数展开和样条分析、你简单分析的不重要特征，可能只是线性不显著、而非线性是显著的

目录