1.首先,回归系数不显著不能简单滴认为对应的解释变量对被解释变量没有影响。先观察下F检验值,如果整体线性检验不显著,那么说明模型设定为线性不合适,需采用其他模型形式。如非线性回归模型。如果替代模型的回归系数t检验拒绝原假设(...
2.可以使用一些优化技巧让模型更加关注占比较少类的样本。从而使模型能专注学习此类的特征,而不是过多的关注样本数量较多的类别。例如使用focalloss。也有其他更多的解决类别不均衡的loss函数。
3.如果实在需要显著的结果,有两个重要的方法,首先是看变量本身的度量,有没有其他度量的方法和调整的空间、比如楼上已经提到的融资约束的度量、分组的化哑变量的设置等等另一个就是样本的选择和缺失值的处理,是替换成零
当数据之间具有了显著性差异,就说明参与比对的数据不是来自于同一总体(Population),而是来自于具有差异的两个不同总体,这种差异可能因参与比对的数据是来自不同实验对象的,比如一些一般能力测验中,大学学历被试组的成绩与小学学历被试组会有显著性差异。也可能来自于实验处理对实验对象造成了根本性状改变,因而前测后测的数据会有显著性差异。通常情况下,实验结果达到0.05水平或0.01水平,才可以说数据之间具备了差异显著或是极显著。在作结论时,应确实描述方向性(例如显著大于或显著小于)。sig值通常用 P>0.05 表示差异性不显著;0.01<P<0.05 表示差异性显著;P<0.01表示差异性极显著。
如果我们是检验某实验(Hypothesis Test)中测得的数据,那么当数据之间具备了显著性差异,实验的虚无假设(Null Hypothesis)就可被推翻,对立假设(Alternative Hypothesis)得到支持;反之若数据之间不具备显著性差异,则实验的备则假设可以被推翻,虚无假设得到支持。
可能是你的模型有问题,计量经济学不是随便找几个貌似有关系的变量进行回归就可以的,它需要变量之间确实有内在的联系。如果模型没问题,那可能是变量之间存在共线性的问题,这就得删除一些变量,或者做主成分分析,看你具体研究什么决定了。欢迎分享,转载请注明来源:夏雨云
评论列表(0条)