检定回归模式的统计显著性.pptVIP

第八章 迴歸分析 8-1　迴歸分析 (Regression Analysis) 8-2　迴歸分析的基本統計假設 8-3　找出最佳的迴歸模式 8-4　檢定迴歸模式的統計顯著性(F test) 8-5 共線性問題 8-6　驗證結果 8-7　研究範例 8-1 迴歸分析(Regression Analysis) 　　迴歸分析(Regression Analysis)可以分為簡單迴歸 Simple Regression 和複迴歸(多元迴歸) Multiple Regression，簡單迴歸是用來探討1個依變數和1個自變數的關係，複迴歸(多元迴歸)是用來探討1個依變數和多個自變數的關係，我們整理簡單迴歸和複迴歸的表示式如下： 簡單迴歸表示式： Y = β0+β1X1 + ε β0為常數，β1為迴歸係數，ε為誤差 複迴歸表示式： Y = β0+ β1X1+β2X2 +….+ βnXn + ε β0為常數，β1 ….. βn為迴歸係數，ε為誤差 複迴歸使用的變數都是計量的，也就是說，依變數與自變數二者皆為計量的，表示式如下： Y = X1 + X2 + ….+ Xn 　　　　　　(計量) (計量) 8-2 迴歸分析的基本統計假設 迴歸分析的基本統計假設有下列4項： 線性關係 常態性 (normality) 誤差項的獨立性 誤差項的變異數相等 (Homoscedasticity) 8-3 找出最佳的迴歸模式 　　選擇變數進入的方式 (以得到最佳的迴歸模式) 在進行迴歸分析時，大部份的情形是有多個自變數可以選擇使用在迴歸方程式中，我們想要找到的是能夠以較少的自變數就足以解釋整個迴歸模式最大量，存在問題是我們應該選取多少個自變數，又應如何選擇呢?　我們整理選擇自變數進入迴歸模式的方式如下： 選擇自變數的方式　　　　確認性的指定 　 順序搜尋法　　　　向前增加 　往後刪除 　逐次估計 確認性的指定 順序搜尋法 ( Sequential Search Methods) 8-4 檢定迴歸模式的統計顯著性 (F test) 　　迴歸模式的顯著性檢定，一般都使用F test (檢定)，F 檢定將所有自變數計算進來，看應變數Y和所有自變數Xn是否有統計的顯著性。 F 檢定的虛無假設 (Null hyposesis) 如下： H0：β1 = β2….. = βn = 0 H1：Not all βi= 0 ( i = 1,2, …., n ) 我們會將資料計算所得到的F值與查表所得的Fcrit 比較 若F ＞ Fcrit ：顯著性存在，推翻虛無假設，需要作進一步的檢定或解釋。 若F ≦ Fcrit ：顯著性不存在，接受虛無假設，研究者不需要作進一步的檢定，但仍需要 　　　　　　 作解釋 F值的計算公式如下： F = SSE regression / df regression SSE total / df residual = (Sum of squared errors regression / Degrees of freedom regression ) 　 (Sum of squared errors total / Degrees of freedom residual ) df regression = (k-1)，k 為估計母數的數目 df residual = n-k，k 為估計母數的數目，n為樣本數 Fcrit = F　　　　，查表可得F值 決定係數 R2 (R square) 　　決定係數 (coefficient of determination) R2是用來解釋線性迴歸模式的適配度 (goodness of fit)，R2=0時，代表依變數(Y)與自變數 (Xn)没有線性關係，R2≠0時，代表依變數(Y)被自變數 (Xn)所解釋的比率 調整後的R2 (adjusted R2) 　　在迴歸模式中，R2會用來說明整個模式的解釋力，但是R2會受到樣本大小的影響而呈現高估現象，樣本愈小，愈容易出現問題 (高估)，因此，大多數的學者都採用調整後的R2，也就是將誤差變異量和依變數 (Y) 的總變異量都除以自由度 degree of freedom. (df) Adjusted R2 = 1 - 　　經自由度的處理後，我們就可以避免樣本太小而導致高估整個迴歸模式的解釋力。 解釋迴歸的變量 　　在迴歸模式具有統計顯著性後，我們想要看看在迴歸方程式中，那些自變數(Xn)對依變數(Y)有較大的影響力，在原始的資料中，若是尺度衡量