多元分析 数模.ppt

1、多元线性回归模型及实例 2、多元线性回归模型的显著性检验 3、多元线性回归模型的诊断 4、非线性回归 多元线性回归方程的参数估计 用样本统计量 估计回归方程中的 参数 时得到的方程。 由最小二乘法求得。 一般形式为 参数的最小二乘法 (例题分析) 需要注意的是，这一回归方程并不理想，回归系数的经济意义不好解释，这里只是作为多元线性回归参数估计的一例，后边我们还要进一步完善这一模型的建立。 2、回归方程显著性检验 检验因变量与所有自变量之间的线性关系是否显著； 也被称为总体的显著性检验。 检验方法是将回归均方(MSR)同残差均方(MSE)加以比较，应用 F 检验来分析二者之间的差别是否显著 如果是显著的，因变量与自变量之间存在线性关系； 如果不显著，因变量与自变量之间不存在线性关系。 线性关系检验 提出假设 H0：?1??2????p=0 线性关系不显著 H1：?1，?2，? ?p至少有一个不等于0 回归系数显著性检验 线性关系检验通过后，对各个回归系数有选择地进行一次或多次检验 对每一个自变量都要单独进行检验 应用 t 检验统计量 回归系数的检验步骤 提出假设 H0： bi = 0 (自变量 xi 与 因变量 y 没有线性关系) H1： bi ? 0 (自变量 xi 与 因变量 y有线性关系) 计算检验的统计量 t 回归系数的推断 (置信区间) ?回归系数在(1-?)%置信水平下的置信区间为 例4.1 spss计算出的t值 和P值 结果发现： 并不是所有的自变量单独对因变量都有显著性影响，最大的P值为0.926＞0.05，在取显著性水平a＝0.05时通不过显著性检验。 这个例子说明： 尽管回归方程通过了显著性检验，但也会出现某些单个自变量（甚至每一个）对因变量并不显著的情况。 由于某些自变量不显著，因而在多元回归中并不是包含在回归方程中的自变量越多越好。 在此介绍一种剔除多余自变量的方法 剔除x6工交部门事业费 后： 依次剔除，最终只保留x1,x2,x4,x8,x10,x11,x12,x13, 其回归系数见下表： 多元线性回归分析操作 (一)基本操作步骤 (1)菜单选项: analyze-regression-linear… (2)选择一个变量为因变量进入dependent框 (3)选择一个或多个变量为自变量进入independent框 (4)选择多元回归分析的自变量筛选方法: enter:所选变量全部进入回归方程(默认方法) remove:从回归方程中剔除变量 stepwise:逐步筛选；backward:向后筛选；forward:向前筛选 (5)对样本进行筛选(selection variable) 利用满足一定条件的样本数据进行回归分析 (6)指定作图时各数据点的标志变量(case labels) 多元线性回归分析操作 (二) statistics选项 (1)基本统计量输出 Part and partial correlation:与Y的简单相关、偏相关和部分相关 R square change:每个自变量进入方程后R2及F值的变化量 Collinearity dignostics:共线性诊断. 3、多元线性回归模型的诊断 异方差性 自相关性 多重共线性 异方差性 产生的原因： ，当 时。 例：在研究城镇居民收入与购买量的关系时，我们知道居民收 入与消费水平有着密切的关系，用 表示第i户的收入 量， 表示第i户的消费额，则简单的消费模型为 在此问题中，由于各户的收入不同，消费观念和习惯的差异，通常存在明显的差异性。一般情况下，低收入家庭购买差异比较小，而高收入家庭购买差异相对较大。 异方差性 当存在异方差时，普通最小二乘法存在以下问题 ★ 参数估计值虽是无偏的，但不是最小方差线性无偏 估计； ★ 参数的显著性检验失效； ★ 回归方程的应用效果极不理想。 诊断方法： ★ 残差图分析法：直观、方便。以残差 为纵坐标， 其它适宜变量（如拟合值、自变量或观测时