Tenho lido a descrição da regressão de crista em Modelos Estatísticos Lineares Aplicados , 5º Ed, capítulo 11. A regressão de crista é feita com dados de gordura corporal disponíveis aqui .
O livro corresponde à saída no SAS, onde os coeficientes transformados de volta são dados no modelo ajustado como:
Isso é mostrado no SAS como:
proc reg data = ch7tab1a outest = temp outstb noprint;
model y = x1-x3 / ridge = 0.02;
run;
quit;
proc print data = temp;
where _ridge_ = 0.02 and y = -1;
var y intercept x1 x2 x3;
run;
Obs Y Intercept X1 X2 X3
2 -1 -7.40343 0.55535 0.36814 -0.19163
3 -1 0.00000 0.54633 0.37740 -0.13687
Mas R fornece coeficientes muito diferentes:
data <- read.table("http://www.cst.cmich.edu/users/lee1c/spss/V16_materials/DataSets_v16/BodyFat-TxtFormat.txt",
sep=" ", header=FALSE)
data <- data[,c(1,3,5,7)]
colnames(data)<-c("x1","x2","x3","y")
ridge<-lm.ridge(y ~ ., data, lambda=0.02)
ridge$coef
coef(ridge)
> ridge$coef
x1 x2 x3
10.126984 -4.682273 -3.527010
> coef(ridge)
x1 x2 x3
42.2181995 2.0683914 -0.9177207 -0.9921824
>
Alguém pode me ajudar a entender o porquê?
Eu usei o mesmo conjunto de dados e o analisei no SPSS. Os resultados são semelhantes ao SAS. No entanto, se pudermos padronizar os dados como no livro, o primeiro valor em c = 0 é semelhante no R e no SPSS (executando uma regressão linear múltipla). No entanto, os resultados são bastante diferentes quando avançamos conforme indicado acima. Também não encontrei nenhuma pista da diferença entre saídas para os mesmos dados.
—
Asad