营销研究11.ppt

营销研究11 第十一章 多元线性回归 第一节 多元回归模型 估计的多元回归方程 举例 举例的一元线性回归估计结果 举例中估计回归方程存在变异性 举例中的二元回归方程 关于回归系数解释的注释 多元回归模型的判定系数 多元回归模型的判定系数 修正判定系数 模型的假定 模型的几何含义 第二节 多元线性回归模型的显著性检验 F检验 F检验的步骤 举例的F检验 t 检验 多重共线性 第三节 类别变量的多元回归模型 举例的数据 举例的模型 引入类别变量的模型 举例的多元回归模型结果 解释参数 举例的回归方程 更复杂的类别变量 复印机销售数量的期望值方程 第四节 多元线性回归模型的残差分析 ?假定与残差图 残差图主要出现的三种形式 举例的残差图数据 残差图 检测异常值 第五节 利用估计的回归方程进行估计和预测 第六节 一般回归模型 模拟曲线关系 举例的回归的输出结果 是否需要一个曲线描述 具有一个预测变量的二阶模型 交互作用 举例 举例的汇总 举例的回归分析 举例的回归输出 包含因变量的变换 举例的回归分析输出 因变量的对数变换 LN变换后的回归分析输出 LN变换后的还原 标准化残差 ⊙ ⊙ ⊙ ⊙ ⊙ ⊙ ⊙ 满意模式 yi ∧ ⊙ ⊙ ⊙ ⊙ ⊙ ⊙ ⊙ ⊙ ⊙ ⊙ ⊙ 非常数方差 y ∧ ⊙ ⊙ ⊙ ⊙ ⊙ ⊙ ⊙ 模型形式不合适 ⊙ ⊙ ⊙ 标准化残差 标准化残差 yi ∧ -0.7523053 -0.380263158 6.480263 6.1 2 90 00.196311475 7.403689 7.6 3 90 -1.5802295 -0.798748921 6.798749 6.0 4 65 10.913330457 6.48667 7.4 3 75 005.868917 6.2 2 80 00.165120794 4.034879 4.2 2 50 -1.1704282 -0.591609146 7.091609 6.5 2 100 -0.0760883 -0.038459879 8.93846 8.9 4 100 -0.3131867 -0.158304573 4.958305 4.8 3 50 00.361540121 8.93846 9.3 4 100 标准化残差 残差y-y 预测值 y 行驶时间y 送货次数x2 行驶距离x1 ∧ ∧ 标准化残差 y ∧ 4 5 6 7 8 9 1 2 -2 -1 利用标准化残值检测异常值，如果一个观测值的标准化残值的绝对值大于2，则该观测就是一个异常值。由于存在异常值，所以估计的标准误差s也会很大，这样就可能使该异常值的标准化残差比较小，从而使检测失败。所以我们需有另外的检测，如利用学生化删除残差。即： 假设从数据集中删除第i 次观测值，利用其余的n-1次观测值建立一个新的估计的回归方程。设表示删除了第i 次观测值的数据集得到的估计的标准差。如果计算第i 次观测值的残差的标准差，采用： syi-yi= s(i) ∧ 1－hi 于是，我们就有了修正后的第i 观测值的标准化残差，称为学生化删除残差。 同一元回归类似，y的期望值和y的一个个别值的点估计相同，都是由自变量的给定值x1、x2、…、 xp代入估计的回归方程得到的值y估计它们。同样我们可以有y平均值的区间估计和预测值的区间估计（公式比较复杂）。 ∧ 在举例中，如果x1 = 100（行驶里程） ， x2 = 2（运送货物次数），利用估计的回归方程可得y的估计值 y=b0 + b1x1 + b2x2 =－0.8687+0.0611×100+ 0.9234×2=7.09 ∧ y的期望值和y的一个个别值的点估计都是等于7.09。 假设，我们采集了一个因变量y 和k 个自变量x1，x2，…，xk 数据。现在要利用这些数据建立一个估计的回归方程，这个方程能为我们在因变量和自变量之间给出一个最佳的联系。一般线性模型就能这样： y=?0 + ?1z1+?2z2+ …+ ?p zp + ? 在模型中，每个自变量zj （j=1，2， …，p）都是的x1，x2，…，xk （这些变量的数据已收集的）函数。在某种情况下，每个自变量zj可能仅是一个变量x的函数。 对于获得的数据能用如上的模型描述，那么，我们就可以用前面介绍的多元回归分析的方法。 利用一般线性模型能模拟形式更复杂的关系。以下例说明： 生产工业天平和实验室设备的雷诺兹公司的管理人员希望对公司销售人员工作年限的长短和电子实验室天平的销售数量之间的关系进行调研。15名随机抽选的销售人员近期天平的销售数量和