M2-002M2: 经典机器学习线性回归Easy
⚡闪卡盲测➔掌握度:

列举线性回归的四大假设,并说明违反后果。

🎯 深度面试自测闭环(先口述或草拟,再核对解析)
免登录记录进度:核心结论回忆 → 避坑清单自查 → 标记掌握或加入错题队列。
Step 1 · 尝试用 1–2 句话回答这道题的核心结论与适用边界
Step 2 · 勾选已覆盖的陷阱与追问思考
下一题: M2-003 →
📐 核心数学机理公式
y=Xw+ε,E[ε]=0, Var(ε)=σ2Iy=Xw+\varepsilon,\quad \mathbb E[\varepsilon]=0,\ \mathrm{Var}(\varepsilon)=\sigma^2I
⚡ 一句话直击要害答案
线性、误差独立、同方差、误差正态(用于推断)。

📌 核心要点提炼

  • •
    异方差 → 标准误错,需稳健标准误
  • •
    自相关 → 时间序列需 GLS/Newey-West
  • •
    非线性 → 加特征/样条/树模型

📐 数学机理与严密推导

四大假设及违反后果:① 线性性(E[y|X]=Xw)——违反则模型系统性偏差,解法是加多项式/交互项、样条、或改用树/神经网络;② 误差独立——违反(时间自相关、空间相关、聚类)会使标准误被低估、t 检验过于乐观,解法是 GLS、Newey-West 稳健标准误、或聚类稳健标准误;③ 同方差(Var(ε)=σ² 常数)——违反时 OLS 仍无偏但不再有效(不是 BLUE),且标准误公式失效,解法是加权最小二乘(WLS)、稳健标准误、或对 y 做变换(如 log);④ 误差正态——只影响小样本推断(t/F 检验的精确性),大样本下由 CLT 保证推断有效,故这条最不关键。

🏭 深度剖析与工业落地权衡

诊断与处理的对应:① 异方差诊断——画残差 vs 拟合值图(应无漏斗形)、Breusch-Pagan / White 检验;处理首选稳健标准误(Huber-White),因为它不改变点估计只修正推断,比变换更少假设;② 自相关诊断——Durbin-Watson 统计量、残差 ACF 图;时间序列应用 ARIMA/GLS 而非普通 OLS;③ 非线性诊断——残差 vs 特征图(应无系统模式)、RESET 检验;④ 正态性诊断——QQ 图、Shapiro-Wilk(小样本);违反时用 bootstrap 推断而非 t 检验。实践中一个常见误区是先做变换再看诊断——正确顺序是先诊断再决定是否变换,且变换会改变系数的解释(log 变换后系数是弹性)。
⚠️ 常见面试陷阱与高频失分点
  • ✕
    认为 OLS 只在正态误差下才有效(大样本靠 CLT)
  • ✕
    异方差下仍用普通标准误做检验
🎯 面试官连环追问与延伸考察
  • ?
    如何诊断异方差?(残差图/Breusch-Pagan)
  • ?
    多重共线性如何影响系数与 p 值?
⚡
想检验本题的肌肉记忆?进入 3 阶闪卡主动回忆盲测
隐藏答案遮罩,自测:审题锚点 ➔ 数理公式机理 ➔ 工业标杆代码与连环追问。3 分钟攻破认知盲区!
🎯 立即在闪卡中盲测此题➔
📚

关联知识库专题与交互式导图

← 上一题M2-001: 写出线性回归的闭式解,并说明它成立的前提。📋 返回题库下一题 →M2-003: 解释多重共线性,它如何影响系数估计与显著性检验。