各位，
在相关性上使用彩色图时，我想知道是否有任何相关值阈值被普遍接受为不交叉估计单个参数影响的限制？ 0.3？ 0.2？
谢谢，
雨果
@马丁德梅尔
我假设您指的是设计平台（例如定制设计）的设计诊断大纲部分中提供的图。
我会说没有理论或实践门槛。 估计的相关性没有“经验法则”。 为什么？
因为相关性会夸大您估计的方差。 这种通货膨胀可以用多种方式表示，例如方差通货膨胀因子 (VIF)。 这种增加将降低您对术语或单个参数的假设检验的功效。 它将增加相同估计的置信区间的长度。 所有这些变化通常都朝着错误的方向发展。 因此，我们需要像您所做的那样检查相关性，以确定我们的设计是否足够。 但是要评估相关性，需要一些有关您正在处理的响应方差的信息。 如果响应方差很小，那么您可以容忍较大的 VIF。 如果它很大，那么您只能容忍较小的 VIF。 （因此，出于同样的原因，“VIF < 10”的一般经验法则也没有意义。）
还要看实验性质和运气。 例如，如果这是一个筛选实验，幸运的是你的情况遵循了关键的筛选原则，那么你将不必估计大部分参数。 相对于模型中的最终项，原始设计现在要大得多。 将设计投影到更小的模型中会更好地改变相关性。 所以相关性不是致命的。
最后，一定要对连续因子使用大范围。 为什么？ 它将对响应产生更大的影响，这将增加功效并减少置信区间的相对长度尽管存在相关性.
一般来说，相关性度量是描述性的，而不是推论性的统计数据。 因此，您不会在文献中看到太多关于参数估计的相关统计阈值的内容。 参数估计是其核心，是一种推论统计，需要不同的统计方法，例如但不限于普通最小二乘回归。
