多个线性回归系数和偏相关直接相关,并且具有相同的显着性(p值)。部分r只是与β系数(标准化回归系数)一起标准化系数的另一种方法。因此,如果因变量是而独立变量是和则 Ÿ X 1 X 21yx1x2
Beta:βx1=ryx1−ryx2rx1x21−r2x1x2
Partial r:ryx1.x2=ryx1−ryx2rx1x2(1−r2yx2)(1−r2x1x2)−−−−−−−−−−−−−−−−√
您将看到而分子是该告诉两个公式相同的测量同样的独特效果的。我将尝试解释两个公式在结构上如何相同,以及如何不同。x1
假设您对所有三个变量进行了z标准化(均值0,方差1)。分子然后等于两种残差之间的协方差:(a)通过 [两个变量标准] 预测留下的残差和(b)通过 [两个变量标准] 预测剩下的残差。此外,残差(a)的方差为;残差(b)的方差为。x 2 x 1 x 2 1 − r 2 y x 2 1 − r 2 x 1 x 2yx2x1x21−r2yx21−r2x1x2
为下式的部分相关那么显然出现平原皮尔逊的式,作为残差(a)和残差(B)之间计算在这种情况下:皮尔逊,我们知道,被协方差由是几何平均的分母划分两个不同的差异。[Rrr
标准系数β在结构上与Pearson类似,只是分母是与自身的方差的几何平均值。未计算残差(a)的方差;它由残差方差的第二次计数(b)代替。因此,贝塔值是两个残差相对于其中一个残差的协方差(具体来说,一个与感兴趣的预测变量)。正如已经注意到的,部分相关是相对于其混合方差的相同协方差。两种类型的系数都是标准化在其他预测变量的环境中的影响的方法。x 1 x 1rx1x1
某些数值后果的差异。如果通过和的多元回归的R平方恰好是1,则预测变量与因变量的两个部分相关性也都将是1绝对值(但beta通常不会是1)。确实,如前所述,是的残差与的残差之间的相关性。如果有什么不内是究竟什么是不内那么有没有什么内部既不是也不x 1 x 2 r y x 1。x 2 x 2 y x 2 x 1 y x 1 x 2 x 2 y 1 - r 2 y x 2 x 1 1 - r 2 x 1 x 2 r y x 1。X 2 β X 1个 ÿ ÿyx1x2ryx1.x2y <- x2
x1 <- x2
x2y x2x1yx1x2:完全适合。如果()中剩余的无法解释的部分(由)的量是多少,如果它被的独立部分(由捕获)相对较高。),则会很高。,在另一方面,将以高仅提供的是捕获的原因不明的部分是本身的实质部分。x2y1−r2yx2x11−r2x1x2ryx1.x2βx1yy
从上面的公式中,可以获得(并从2个预测变量回归到具有任意数量的预测变量的回归)beta和相应的部分r之间的转换公式:x1,x2,x3,...
ryx1.X=βx1var(ex1←X)var(ey←X)−−−−−−−−−−√,
其中代表除当前()以外的所有预测变量的集合;是乘以的残差,是乘以的残差,这两个回归变量都将其标准化。Xx1ey←XyXex1←Xx1X
注意:如果我们需要计算每个预测变量的局部相关性,我们通常将不需要使用此公式进行另外两个回归。相反,将完成扫描操作(通常在逐步和所有子集回归算法中使用)或计算反图像相关矩阵。yx
1 bββx1=bx1σx1σy是原始与采用截距回归的标准系数之间的关系。bβ