自从我去年学习计量经济学以来，我有一个问题一直困扰着我。当您回归 OLS 模型时，Stata 输出中的“根 MSE”是什么意思？
我知道它翻译成“均方根误差”，但它到底是哪个变量的均方误差，它是如何计算的？任何人都可以提供一个精确的定义和公式，并解释为什么拥有这个价值是有帮助的吗？
Stata中的“根MSE”是什么？
机器算法验证
回归
状态
线性模型
毫秒
2022-04-07 18:38:45
2个回答
- 计算观察到的和预测的因变量之间的差异
- 平方他们
- 将它们相加，这将为您提供 Stata 输出中的“误差平方和”SS
- 将其除以误差的自由度，这将为您提供“平均误差平方和”，Stata 输出中的 MS
- 取它的平方根，这就是 Root MSE
- 完毕
如果您查看 Stata 输出：
. sysuse auto, clear
(1978 Automobile Data)
. reg mpg weight
Source | SS df MS Number of obs = 74
-------------+------------------------------ F( 1, 72) = 134.62
Model | 1591.9902 1 1591.9902 Prob > F = 0.0000
Residual | 851.469256 72 11.8259619 R-squared = 0.6515
-------------+------------------------------ Adj R-squared = 0.6467
Total | 2443.45946 73 33.4720474 Root MSE = 3.4389
------------------------------------------------------------------------------
mpg | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
weight | -.0060087 .0005179 -11.60 0.000 -.0070411 -.0049763
_cons | 39.44028 1.614003 24.44 0.000 36.22283 42.65774
------------------------------------------------------------------------------
将残差的平方和 (851.469) 除以其自由度 (72) 得到 11.826。那就是平方和的平均值。如果进一步取平方根，您将得到 Root MSE（输出中的 3.4289）。
基本上，这是对准确性的衡量。更准确的模型将具有更少的误差，从而导致更小的误差平方和，然后是 MS，然后是 Root MSE。但是，您只能在相同的因变量中应用此比较，因为 MS 和根 MSE 不是标准化的。根据测量单位的不同，根 MSE 可能会有很大差异。
RMSE 是模型误差的标准差。维基百科可以告诉你这个和公式：http ://en.wikipedia.org/wiki/Root-mean-square_deviation
有了它，你可以比较模型精度
其它你可能感兴趣的问题