home *** CD-ROM | disk | FTP | other *** search
/ NetNews Usenet Archive 1992 #18 / NN_1992_18.iso / spool / bit / listserv / statl / 1325 < prev    next >
Encoding:
Text File  |  1992-08-17  |  1.8 KB  |  33 lines
  1. Comments: Gated by NETNEWS@AUVM.AMERICAN.EDU
  2. Path: sparky!uunet!paladin.american.edu!auvm!QMRELAY.MAIL.CORNELL.EDU!DICK_DARLINGTON
  3. Message-ID: <STAT-L%92081713153575@VM1.MCGILL.CA>
  4. Newsgroups: bit.listserv.stat-l
  5. Date:         Mon, 17 Aug 1992 13:20:04 U
  6. Sender:       "STATISTICAL CONSULTING" <STAT-L@MCGILL1.BITNET>
  7. From:         dick darlington <dick_darlington@QMRELAY.MAIL.CORNELL.EDU>
  8. Subject:      SE(b) without inverse
  9. Lines: 22
  10.  
  11.                                                                      1:35 AM
  12.   OFFICE MEMO                                                 Time:
  13.                       Subject:
  14.                       SE(b) without inverse#000#                        08-04-92
  15.                                                               Date:
  16.  
  17. This is in answer to a recent question about how to compute the standard error
  18. of a regression slope without inverting a correlation or covariance matrix.  We
  19. predict a dependent variable Y from a set of P predictors in a sample of N
  20. cases.  As usual, define MSE = SS(errors)/(N-P-1).  To find the standard error
  21. of one regression slope b(j), run a second regression predicting that one
  22. predictor X(j) from the other P-1 predictors.  Let SSU(j) denote the sum of
  23. squared errors in this second regression; the "U" stands for the "unique"
  24. portion of X(j).  Then the standard error of b(j) is sqrt(MSE/SSU(j)).
  25.    I don't know the motivation behind the original question, but sometimes when
  26. rounding error is a problem due to near-singularity of the X matrix, this
  27. method calculates standard errors more accurately than they can be calculated
  28. with an inverse of R.  In Gauss, which I use, you can use this method to find
  29. standard errors accurately even when the inversion routine fails due to
  30. near-singularity.
  31. Dick Darlington, Psychology, Cornell
  32. #000#
  33.