多元统计-多元(重)线性回归辩析.pptVIP

* * * * * * * * * * * * * * * * * * * * * * * 5. 交互作用 当某一自变量对应变量的作用大小与另一个 自变量的取值有关时，则表示两个变量有交 互作用（interaction）。 检验两变量间有无交互作用，普遍的做法是 在方程中加入它们的乘积项再做检验。如考 察X1、X2间的交互作用，可在模型中加入 X1X2项。 6. 残差分析 用全部观察对象的资料建立起回归方程后得到的残差称为普通残差。普通残差的敏感性较差，其原因是回归方程中包含了残差所对应的观察点的信息。 另一种残差称为预报残差 prediction residual ，它是用不含该观察点信息的回归方程来计算该观察点的平均预报值所得到的残差，因此能更好地反映出该观察点远离回归线的情况。如果该例的普通残差较小而预报残差很大，则表示该观察点是对回归方程影响较大的特异点，应对该资料的来源作深入的分析。 7. 偏相关系数 几个相关系数的区别 （八）多元回归计算程序 SAS计算程序 建立回归模型的基本策略 任一建模过程均应从详细的各变量的单因素分析开始。 对性质相同的一些自变量进行部分多因素分析，并探讨自变量纳入模型时的适宜尺度，及自变量间的必要的一些变量变换。 在单变量分析和相关自变量分析的基础上，进行多因素的逐步筛选， 在多因素筛选模型的基础上，考虑有无必要纳入变量的交互作用项。 不同的模型 不同的分析思维、不同的统计方法所得模型可能不一样，应该允许多个模型并存，只要他们真正较好地反映了病因与疾病间的联系。 为了了解和预测人体吸入氧气的效率，收集了30名中年男性的健康状况调查资料。共调查了7个指标，它们是：吸氧的效率 y ，年龄 x1 ，体重 x2 ，跑1.5公里所需的时间 x3 ---以分钟计算，休息时的心跳次数 x4 ，跑步时的心跳率 x5 ，和最高心跳率 x6 ，数据列在表中。该问题中吸氧的效率 y 是因变量，其余6个变量是自变量。试用多元回归分析建立预测人体吸氧效率的模型。 实例 吸氧效率调查数据 检验自变量的内相关性 【SAS程序】 data eg5_1；input y x1- x6 ；cards； 44.609 44 89.47 11.37 62 178 182 …… 47.467 52 82.78 10.50 53 170 172 run； proc reg data eg5_1 ； model y x1- x6/tol vif collin； run； 【SAS 部分输出结果】 Collinearity Diagnostics Eigen Condition VarProp VarProp VarProp VarProp VarProp VarProp VarProp No value Index intercp X1 X2 X3 X4 X5 X6 1 6.949 1.00000 0.0000 0.0002 0.0002 0.0002 0.0003 0.0000 0.0000 2 0.019 19.0159 0.0019 0.1750 0.0052 0.0219 0.3516 0.0000 0.0000 3 0.015 21.4484 0.0008 0.1372 0.2425 0.1318 0.0498 0.0012 0.0013 4 0.009 27.5487 0.0059 0.0302 0.1685 0.6315 0.2075 0.0014 0.0012 5 0.006 33.6343 0.0018 0.1058 0.4627 0.1145 0.3647 0.0147 0.0082 6 0.001 81.8075 0.7853 0.4776 0.0987 0.0858 0.0195 0.0703 0.0053 7 0.000 197.952 0.2043 0.0742 0.0222 0.0143 0.0066 0.9125 0.9840 用逐步过程法拟和 y 在 x 1 - x 5 上的回归模型 【SAS程序】 proc reg data eg5_1 ； model y x1- x5 / selection stepwise； title Stepwise regression analysis：excluding X6； run； 【SAS 部分输出结果】 Stepwise regression analysis: excluding X6 St