概括回归，某些预测变量的标准误差为0，<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />预测器本身看起来很好。这是什么意思？
我观察到，当交互项包含在模型中时，这种情况会更频繁地发生。std err = 0发生在某些模型中，但并非所有模型都包含相同的预测变量。
估计方法是Lasso，而因变量的分布是ZI二项式，因为DV表示罕见事件（编码为0或1）。
感谢您的任何反馈或见解！
Re：概括回归，某些预测变量的std误差为0，嗨凯文，
非常感谢您的回复和推荐的论文。我最近熟悉了泛化回归。Tibshirani，R。（1996）的论文对我来说将是一个很好的阅读材料，可以获得有关这种方法的更多技术细节。
我应该更清楚地陈述我的问题。那些看起来有点令我担忧的预测变量是具有非零估计值（例如，0.11）但具有std误差= 0且相同的较低95％和较高95％的预测变量。对于其他一些统计模型，当某些预测变量的标准误差存在异常值时，它会为整个模型/分析引出一个红色标记。
所以一般来说，我想知道在运行JMP广义回归后，是否有少量预测因子（在某些分析中，包括截距项）在估计系数中具有非零值但是std误差等于零，我相信这个特定分析的估计/输出？或者其他预测因子和整体模型的估计仍然很好，而忽略了那些标准错误的预测因子？
我们有大量的预测因子，大约40个。其中一些是绝对的。因变量是一种罕见的事件，但预测因子不是。
如果有人能指出std error = 0的可能解释是什么，而非零估计（这是否意味着这些预测因子正在缩小？哈哈，只是开玩笑），或者测试可能是什么原因的方法，这对于理解这个问题的潜在原因非常有帮助。
谢谢！
Re：概括回归，某些预测变量的std误差为0，我推荐阅读Tibshirani，R。（1996）; “通过套索进行回归收缩和选择”;皇家统计学会学报B系列（方法论），第58卷，第1期;第267-288页。 第2.5节是关于标准误差的，其中说明“由于套索估计是响应的非线性和不可微函数...，因此难以准确估计其标准误差。”它指出，估计的协方差矩阵的共同近似产生估计变量为0的预测变量的估计方差为0。
