系统是线性假设的计算奇异误差，但矩阵具有最大秩

Posted 2023-03-12

【中文标题】系统是线性假设的计算奇异误差，但矩阵具有最大秩

【英文标题】：system is computationally singular error from linearHypothesis but the matrix has maximal rank

【发布时间】：2020-07-18 23:16:21

【问题描述】：

我正在执行 Mincer Zarnowitz 来测试时间序列回归的拟合优度。测试（https://eranraviv.com/volatility-forecast-evaluation-in-r/）归结为，首先，对拟合值的观测值进行回归，其次，回归的截距为 0，拟合值的系数为 1 的联合测试。

我附上了我的观察向量 (obs) 和拟合值 (fit) 的前 20 个观察结果 - 它对整个数据集给出了相同的错误。使用R，我首先在fit上运行obs的回归（MZ2），并保存。然后我使用包car中的linearHypothesis函数来检验上面的联合假设。矩阵 (MZ2$model) 的秩最大 (2)，因此矩阵是可逆的。然而我收到了错误Error in solve.default(vcov.hyp) : system is computationally singular: reciprocal condition number = 6.22676e-17。代码运行单一假设检验。

我不明白为什么会出现此错误。 summary vcov 选项应该返回相同的错误来计算渐近（稳健）标准错误，但它没有。

对此错误有任何想法吗？谢谢。

obs <-c(13964892, 10615134, 12066946,  8394110,  8991798, 12456120,  8981580,
        9261421, 12976910, 19263428,  6453574,  9025350, 12455365,  9711284,
        14876416, 11643567,  8383892, 10234233,  7601169, 10136608)
fit <- c(12478069, 11826724, 10706274, 10573869, 10413272, 10789469,
        9401626, 10067159, 12939216, 11535966, 10890038, 10634312, 11122152,
        11309619, 10877766, 10330747, 10034014, 10912567,  9204140,  9532570)
MZ2 <- lm(obs ~ fit)
summary(MZ2, vcov = vcovHC, type = "HC3")
  # Call:
  #   lm(formula = obs ~ fit)
  # 
  # Residuals:
  #   Min       1Q   Median       3Q      Max 
  # -4605688 -1518159  -543282  1318148  7130691 
  # 
  # Coefficients:
  #   Estimate    Std. Error t value Pr(>|t|)  
  # (Intercept) -7039028.9827  6717707.9500  -1.048   0.3086  
  # fit                1.6619        0.6209   2.676   0.0154 *
  #   ---
  #   Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
  # 
  # Residual standard error: 2565000 on 18 degrees of freedom
  # Multiple R-squared:  0.2847,    Adjusted R-squared:  0.2449 
  # F-statistic: 7.163 on 1 and 18 DF,  p-value: 0.0154
#
# JOINT TEST
#
require(car)
linearHypothesis(MZ2, c("(Intercept) = 0", "fit = 1"))
Error in solve.default(vcov.hyp) : 
  system is computationally singular: reciprocal condition number = 6.22676e-17
In addition: Warning message:
In constants(lhs, cnames_symb) : NAs introduced by coercion
> MZ2$rank
[1] 2
#
# UNIVARIATE TESTS
#
linearHypothesis(MZ2, c("(Intercept) = 0"))
Linear hypothesis test

Hypothesis:
(Intercept) = 0

Model 1: restricted model
Model 2: obs ~ fit

  Res.Df             RSS Df     Sum of Sq     F Pr(>F)
1     19 125618245448671                              
2     18 118396383219614  1 7221862229057 1.098 0.3086
> linearHypothesis(MZ2, c("fit = 1"))
Linear hypothesis test

Hypothesis:
fit = 1

Model 1: restricted model
Model 2: obs ~ fit

  Res.Df             RSS Df     Sum of Sq      F Pr(>F)
1     19 125870444423604                               
2     18 118396383219614  1 7474061203991 1.1363 0.3005

【问题讨论】：

你的值太大了，给了疯狂的 RSS 并且很难解决。你能按比例缩小你的合身度和观察值吗，比如 fit/1e6

成功了。如果您正确回答问题，我会给您信用。谢谢！

【参考方案1】：

您的值非常大，因此当它需要计算 RSS（对残差求平方的地方）或重新拟合模型时，有时这些数字对于机器来说可能太大了。它类似于here

讨论的内容

理想情况下，您可以回到给出预测的线性模型，并缩放因变量，例如除以 1e3 或 1e6。

你现在有什么，你可以做什么（并测试联合hypo）：

df = data.frame(obs=obs/1e6,fit=fit/1e6)
MZ2 <- lm(obs ~ fit,data=df)
library(car)
linearHypothesis(MZ2, c("(Intercept) = 0", "fit = 1"))

Linear hypothesis test

Hypothesis:
(Intercept) = 0
fit = 1

Model 1: restricted model
Model 2: obs ~ fit

  Res.Df    RSS Df Sum of Sq      F Pr(>F)
1     20 126.05                           
2     18 118.40  2    7.6573 0.5821 0.5689