回归第一讲.ppt

(6)过原点回归模型与非过原点回归模型相比有如下不同点。以一元线性过原点模型，yt = ?1 xt + ut ，为例， (7) 改变变量的测量单位可能会引起回归系数值的改变，但不会影响t值。即不会影响统计检验结果。 (8) 对于多元回归模型，当解释变量的量纲不相同时，不能在估计的回归系数之间比较大小。若要在多元回归模型中比较解释变量的相对重要性，应该对回归系数作标准化处理（标准化后不存在截距项）。 (9) 利用回归模型预测时，解释变量的值最好不要离开样本范围太远。原因是①根据预测公式离样本平均值越远，预测误差越大。②有时，样本以外变量的关系不清楚。当样本外变量的关系与样本内变量的关系完全不同时，在样本外预测就会发生错误。 * * * * * * * * * * * * * * * * 124 Note: 1. As we move farther from the mean, the bands get wider. 2. The prediction interval bands are wider. Why? (extra Syx) * 改进的残差 标准化残差： 学生化残差： 在残差分析中，一般认为超过3个标准差的残差成为异常值，考虑到普通残差ei的方差不等，用ei作判断和比较会带来一定的麻烦，人们引入标准化残差和学生化残差的概念，改变普通残差的性质。 * 标准化残差： 学生化残差： 标准化残差使残差具有可比性，标准化残差＞3的相应观测值即判定为异常值，这简化了判定工作。但是没有解决方差不等的问题。 学生化残差则进一步解决了方差不等的问题，因而在寻找异常值时，用学生化残差优于用普通残差，认为学生化残差＞3的相应观测值即为异常值 * 残差图 表示残差的图形 关于x的残差图 关于y的残差图 标准化残差图 用于判断误差?的假定是否成立 检测有影响的观测值 * 残差图(形态及判别) * 残差图(例题分析) * T · · · · · · · · · · · · · · · · · · · · · · * · · · · · · · · · · · · · · · · . .. . . . . . . . . X 残差 . * · · · · · · · · · · · · · · · · ＊ ＊ ＊ ＊ ＊ ＊ ＊ ＊ ＊ ＊ X 残差 ＊ ＊表示男生 ·表示女生 * 残差分析中发现模式不合适时的方法 1.变量的变换 (优点是较经济,不需再花时间收集资料) 最常使用的因变量Y的变换有下列几种: 也可考虑变量X的变换 * 2.加入其它变量而成为多元回归模型 3.放弃线性回归模式，改用非线性回归或其它方式，如时间数列分析。 残差分析中发现模式不合适时的方法 * 4. Box—Cox变换，即次方变换 残差分析中发现模式不合适时的方法 采用哪一种最好，一般以SSE越小越好。 * 7. 一元线性回归方程是否经过原点 什么时候使用过原点的回归方程？ 有理论依据时 例如：体重作为Y，身高作为X 例如：弹簧拉力X与拉开长度Y的回归 做一般线性回归后，发现其参数估计表中的截距项不显著。 这时，不能以R2的大小作为选过原点与不过原点回归式的比较。(因为计算公式中分母不同) * 8. 回归方程的应用 1.预测 2.控制 * 做预测的主要原因有下列两种: 第一,有时因变量Y的值在事前不可能获得,因为它们经常是未来值,所以现在无法获得,但是为了做决策,研究者想要在获得他们真正数据之前就能知道它们的值到大约是多少.例如广告费与销售之间的关系. 第二,有时真正的Y值要花很高的代价才能获得,但是相对的得到自变量的值的花费很少,因此可以用比较便宜的X去预测得到昂贵的Y. 利用回归方程进行估计和预测 * 利用回归方程进行估计和预测 根据自变量 x 的取值估计或预测因变量 y的取值 估计或预测的类型 点估计 y 的平均值的点估计 y 的个别值的点估计 区间估计 y 的平均值的置信区间估计 y 的个别值的预测区间估计 * 点估计 2. 点估计(预测)值有 y 的平均值的点估计(预测) y 的个别值的点估计(预测) 在点估计条件下，平均值的点估计和个别值的的点估计是一样的，但在区间估计则不同 对于自变量 x 的一个给定值x0 ，根据回归方程得到因变量 y 的一个估计值或预测值 * 区间估计与预测 点估计不能给出估计的精度，点估计预测值与实际值之间是有误差的，因此需要进行区间估计与预测 对于自变量 x 的一个给定值 x0，根据回归方程得到因变量 y 的一个估计与预测区间 区间估计预测有两种类型 置信区间估计(预测) 预测区间估计(预测) * 置信区间估计预测 利用估计的回