我试图估计一个带有arima误差的线性回归,但我的回归变量是高度共线性的,因此回归模型受到多重共线性的影响。由于我的最终目标是能够将单个回归系数解释为弹性,并将它们用于事前预测,因此我需要以某种方式解决多重共线性,以便能够信任回归变量的系数。我知道转换回归变量,例如。通过差分可能有助于减少多重共线性。我还了解到,auto.arima对xreg中定义的response变量和回归变量执行相同的差分(参见:Do we need to do differencing of exogenous variables before passing to xreg argument of Arima() i
H20在中表示,回归gbms的特征拆分是基于平方误差的减少。
这个平方误差是基于节点残差,即(resid - mean resid)^2,还是真实的响应,即( response - mean response)?我用的是伽马/泊松分布。
在伽马/泊松的情况下,损失就是偏差,那么为什么要使用平方误差呢?