E*******s
发帖数: 994 | 1 multicollinearity对于model prediction没有影响
如果只关心predict的好坏而不需要interpretation，
是不是可以不考虑multicollinearity？ |
b********8
发帖数: 3059 | |
G******l
发帖数: 63 | |
s*r
发帖数: 2757 | 4 in classical regression, multicol.. will increase standard error of your
prediction. need certain regularization |
v******6
发帖数: 23 | |
w**********y
发帖数: 1691 | 6 you need to distinguish in sample and outofsample.
mutlicollinearity and overfitting will bring you much worse oos prediction
accurary.
【在 E*******s 的大作中提到】
: multicollinearity对于model prediction没有影响
: 如果只关心predict的好坏而不需要interpretation，
: 是不是可以不考虑multicollinearity？
|
I*****a
发帖数: 5425 | 7 As many people said previously, it tends to inflate the prediction variance.
So you can't ignore it even for prediction.
【在 E*******s 的大作中提到】
: multicollinearity对于model prediction没有影响
: 如果只关心predict的好坏而不需要interpretation，
: 是不是可以不考虑multicollinearity？
|
W**********E
发帖数: 242 | 8 但数据现在很多都是海量，模型系数的se应该都会比较小，影响不大吧？
【在 s*r 的大作中提到】
: in classical regression, multicol.. will increase standard error of your
: prediction. need certain regularization
|
s*r
发帖数: 2757 | 9 大数据时代，用gradient descent做回归。个人无经验，但没有regularization下，
sas 称predictor correlation会给求解造成问题
http://www.sasanalysis.com/2013/12/proc-pls-and-multicollineari
【在 W**********E 的大作中提到】
: 但数据现在很多都是海量，模型系数的se应该都会比较小，影响不大吧？
|
