概括回歸，某些預測變量的標準誤差為0，<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />預測器本身看起來很好。這是什麼意思？
我觀察到，當交互項包含在模型中時，這種情況會更頻繁地發生。std err = 0發生在某些模型中，但並非所有模型都包含相同的預測變量。
估計方法是Lasso，而因變量的分佈是ZI二項式，因為DV表示罕見事件（編碼為0或1）。
感謝您的任何反饋或見解！
Re：概括回歸，某些預測變量的std誤差為0，嗨凱文，
非常感謝您的回復和推薦的論文。我最近熟悉了泛化回歸。Tibshirani，R。（1996）的論文對我來說將是一個很好的閱讀材料，可以獲得有關這種方法的更多技術細節。
我應該更清楚地陳述我的問題。那些看起來有點令我擔憂的預測變量是具有非零估計值（例如，0.11）但具有std誤差= 0且相同的較低95％和較高95％的預測變量。對於其他一些統計模型，當某些預測變量的標準誤差存在異常值時，它會為整個模型/分析引出一個紅色標記。
所以一般來說，我想知道在運行JMP廣義回歸後，是否有少量預測因子（在某些分析中，包括截距項）在估計係數中具有非零值但是std誤差等於零，我相信這個特定分析的估計/輸出？或者其他預測因子和整體模型的估計仍然很好，而忽略了那些標準錯誤的預測因子？
我們有大量的預測因子，大約40個。其中一些是絕對的。因變量是一種罕見的事件，但預測因子不是。
如果有人能指出std error = 0的可能解釋是什麼，而非零估計（這是否意味著這些預測因子正在縮小？哈哈，只是開玩笑），或者測試可能是什麼原因的方法，這對於理解這個問題的潛在原因非常有幫助。
謝謝！
Re：概括回歸，某些預測變量的std誤差為0，我推薦閱讀Tibshirani，R。（1996）; “通過套索進行回歸收縮和選擇”;皇家統計學會學報B系列（方法論），第58卷，第1期;第267-288頁。 第2.5節是關於標準誤差的，其中說明“由於套索估計是響應的非線性和不可微函數...，因此難以準確估計其標準誤差。”它指出，估計的協方差矩陣的共同近似產生估計變量為0的預測變量的估計方差為0。
