MultipleRegression.pptVIP

複迴歸分析與相關分析 圖1 複迴歸模型 圖2 教育、工作年數與所得 表3 Excel 的迴歸結果 判定係數 R2 缺點 自變數增加會使得原迴歸模型的 R2 變大，即使該自變數對依變數並無影響效果 。 調整的判定係數( ) ： 註 永遠小於R2。當樣本大小愈來愈大時， 會愈來愈接近R2 。 通常用於比較兩個或多個不同數目自變數迴歸模型的好壞，並可避免自變數過多的情形發生。 表4 判定係數 複迴歸分析的統計推論 迴歸模型之虛無與對立假設H0：?1 = ?2 =…= ?k = 0H1：至少有一 ? 不為零 在虛無假設 H0 正確的情況下，此檢定統計量 F 為自由度，是 k 與 n－k－1 之 F 分配。 表6 所得對教育年數、工作年數迴歸的變異數分析表 表7 所得對教育年數、工作年數迴歸的變異數分析表 複迴歸分析的統計推論 虛無與對立假設：H0：?i = 0 H1：?i ? 0 (1)檢定統計量： 表8 所得對教育年數的變異數分析 表9 所得對教育年數、工作年數迴歸的變異數分析表 表10 票房收入與廣告費用  單位：百元 表11 票房收入對電視廣告、報紙廣告的迴歸結果 表12 複迴歸方程式的判定係數與ANOVA表及F值 表13 台灣地區的國民生產毛額與消費 表14 小孩死亡數目與啤酒消費數目 表15 變異數分析表 複迴歸基本原理 複迴歸模型 其中?o、?1… ?k 稱為「偏迴歸係數」(Partial Regression Coefficient)，而b0、b1、…、bk等則是他們的估計值。有以下幾項假設： 所有自變數x間相互獨立,即沒有線性重合(Multicollinearity)問 題。 殘差項需滿足殘差共變數為0, 即 ,cov(?i, ?j)=0，亦即無序列相關。 樣本數目需大於自變數個數,即NK+2。 複迴歸模型之檢驗 變數關係判定―迴歸係數bi 的顯著與否（t 檢定） 其檢定的假設為H1：bi ≠0；如果顯著則表示該變數x具有解釋y的能力。如果某些x是相關的，則稱有共線性(multicollinearity)，可以用每一個x的VIF(variance inflation factor)來檢驗。如果VIF≥10則有共線性的問題。 殘差分析 殘差(residual)應為常態分配。以P?P plot或Q?Q plot檢查是否為常態分配 。 圖5 無自我相關 圖6A 正的一階自我相關 圖6B 正的一階自我相關 圖7 負的一階自我相關 表16 杜賓-瓦森檢定的臨界值 自我相關 如DW=2會落入無自我相關的區域，因此一般當DW=2時，判定為無自我相關 分析範例 1/12 當自變數已確定 在「銀行客戶.sav」中，請以所得與年齡說明銀行客戶之存款行為。 模型選擇 一般而言，經常假設自變數與依變數間呈線性關係。 模型配適：以最小平方法推估參數值。 點選Analyze/regression/linear/Dependent 程式操作 範例二 2.程式操作 分析範例 2/12 模型度檢測 判定係數(R2)：由Adjusted R Square=0.911可知所得、年齡與存款間存在線性關係，所推估之迴歸方程式具不錯的解釋能力。 F檢定：由推估結果的ANOVA表得知sig=0.000＜0.05，顯示所選的自變數（所得、年齡）至少有一顯著地影響依變數（存款）。 分析範例 3/12 迴歸係數之t檢定 由推估結果的係數表得知，所得與年齡之sig=0.000，顯示所得與年齡皆顯著影響存款。 共線性檢測 在上表的最後，可以看到用來檢驗是否有共線性的VIF值。VIF若小於10，即屬可接受範圍。檢測結果VIF=1.001，顯示「所得」與「年齡」無共線性。 分析範例 4/12 殘差分析 檢測結果D-W=2.187，顯示無序列相關的問題。 殘差圖及常態P-P圖如下頁；圖中看不出明顯的異質性或自我相關的問題，且殘差為常態分配。 分析範例 5/12 分析解釋與應用 由推估之結果，存款與所得及年齡間之關係可呈現如下： 存款(y) = 47.322 + 1.635所得(x1) + 0.829年齡(x2) 當客戶的所得每增加$1000，存款將增加$1635；年齡增加1歲，存款將增加$829。 分析範例 6/12 當自變數未定時，選擇