我正在使用线性回归来估计实际上总是非负的值。预测变量也是非负的。例如，回归受教育年限和年龄来预测薪水。在这种情况下，所有变量总是非负的。

由于负截距，我的模型（由 OLS 确定）导致一些负预测（当预测变量的值相对于所有值的范围较低时）。

这个话题已经在这里讨论过了，而且我也知道不鼓励在 0 处强制截距，所以看来我必须接受这个模型作为我必须使用的模型。但是，我的问题是关于评估此类模型时公认的规范和规则。这里有什么特别的规则吗？具体来说：

• 如果我得到一个否定的估计值，我可以把它四舍五入到 0 吗？
• 如果观察值为 100，预测值为 -300，并且我知道最小可能值为 0，那么误差是 400 还是 100？例如，在计算 ME 和 RMSE 时。

如果它与讨论相关：我使用了简单线性回归和多元线性回归。两者都会导致几个负值。

编辑：

以下是拟合样本的示例：

线性回归的系数为 0.0010(x) 和 -540（截距）。

以下是当我对 X 使用 log 时发生的情况：

线性回归适合这里吗？