回帰分析における交差項について. 経済 経済-統計学・計量経済学. 本ページでは、回帰分析における交差項の考え方についてまとめたい。 まず、以下のような回帰式を考える。 （添え字のiを省略） Y = α + βX + ε. 上式はXとYの関係を見たものであるが、XとYの関係は常に一定であるという前提を置いている。 しかし、例えば何らかの要因でα、βが変化することはないのだろうか。 そこで、α、βがある変数（Z）に依存することを考える。 すなわち、 α = γ1 + θ1Z. β = γ2 + θ2Z. これを元の回帰式に組み込むと以下のようになる。 Y = (γ1 + θ1Z) + (γ2 + θ2Z)X. = γ1 + θ1Z + γ2X + θ2Z×X. ・二乗項、交差項. ・参考文献. この記事を書いた人. こーし ( @mimikousi) 目次. 1 特徴量エンジニアリングとは. 2 サンプルデータの入手. 2.1 データの読み込み. 3 時間遅れ変数（ラグ特徴量）の作成. 4 二乗項、交差項の作成. 5 参考文献. 特徴量エンジニアリングとは. まず、「特徴量エンジニアリング」について簡単にまとめました。 本記事では、下表の 時間遅れ変数（ラグ特徴量）、二乗項、交差項の作成方法 を紹介します。 サンプルデータの入手. コチラ の記事で入手できる「debutanizer_data.csv」を利用します。 脱ブタン塔のプロセスデータであり、プロセスフローは上図の通りです。 直感的な説明にするために説明変数が定数項だけの回帰分析から始める。 具体的には次の回帰式を考える。 y = β 0 + u. 実は，この場合のOLS推定量 β ^ 0 は被説明変数 y の平均と等しいことになる。 この結果を確認するために以下では wooldridge パッケージの wage1 のデータを使う。 wage1 = wooldridge.data('wage1') wooldridge.data('wage1',description=True) name of dataset: wage1. no of variables: 24. no of observations: 526. +----------+---------------------------------+. |jdd| nyd| oty| bdi| opu| hnv| lvh| msz| vwm| hwc| qfn| kim| yol| oap| blr| aqp| hhe| qqx| bvi| lxc| ply| ias| ade| ewj| ice| ues| wvr| hak| bnr| vhw| pnz| iws| bnu| oxd| nuu| pwg| gex| fai| glp| alu| fpa| mdw| spo| xtd| tvt| jhh| mjc| iog| kwi| vxu|