Jenny2021-03-10 15:03:26

同学你好，对于一个回归模型，最理想的情况莫过于：
模型包含了可以解释因变量的所有自变量，同时剔除了所有不能解释因变量的自变量。但是，基本上所有的模型都无法达到这个条件，他们之中，要么（1）剔除了应该包含的自变量，要么，（2）包含了不该包含的自变量。如果是剔除了应该包含的变量， 这种现象称之为遗漏变量，这个才是模型风险呀，而不是和其他变量无关才叫做模型风险。遗漏变量之所以会造成最小二乘法产生偏差是因为被解释变量中原本应该由遗漏变量所解释的部分并没有得到充分的解释，而是被其他的解释变量所解释了，这样就会造成其他解释变量的斜率( 回归) 系数产生误差，从而造成了对于不同的解释变量Xi，模型的误差也不尽相同，这违反了多元线性回归模型中所有的自变量Xi 都不能与残差项存在相关性，即Cov（Xi ,εi）的前提假设。

多重共线性在模型里还是比较常见的，一般来说对于模型不会造成太大问题，只有存在完全共线性的时候才需要剔除部分变量，因为不剔除的话，无法得出模型参数（这个是算法层面的问题，简单知道结论即可）。