第07章回归解说.pptVIP

估计的标准误 standard error of estimate * 六、可化为线性回归的一元曲线回归 第三节 多元线性回归分析 一、多元线性回归分析的意义 二、多元线性回归方程的建立 三、多元线性回归方程解题步骤 四、多元线性回归方程的有效性检验 五、自变量显著性检验 六、逐步回归法 多元线性回归的数学模型 从X1, X2, …, Xk（凭经验选取）预测YY=?0+?1X1+ ?2X2 + …+ ?kXk+~ N(0, s2) 根据样本数据建立的回归方程? =b0+b1X1+ b2X2 + …+ bkXk bi称为（偏）回归系数 偏回归系数表示其它自变量假设不变时，某一个自变量变化而引起因变量变化的比率 * 标准回归方程、标准偏回归系数 把所有原始数据转换成标准分数，以标准分数建立的回归方程为标准回归方程?Y = ?1Z1+ ?2Z2 + …+ ?kZk 标准回归方程的回归系数称为标准(偏)回归系数，其大小可直接反映对应的变量在预测时做的贡献 bi=?i·SY/SXi * 偏回归系数的计算 基本原理 最小二乘法：预测值和观测值的误差平方和最小 一般借助于计算机 Excel SPSS SAS Minitab * 多元测(决)定系数r2 其中 r 称为复相关系数 multiple correlation coefficient r 实际上就是预测值?和观测值Y之间的相关系数 * 多元线性回归方程的检验 方差分析 * 偏回归系数的显著性检验 回归方程显著并不意味着所有的回归系数都显著 某个偏回归系数不显著意味着对应的自变量在回归方程中没什么贡献 可以去掉该变量，重新建立回归方程 检验方法 * 选择有效自变量的方法 逐步回归 stepwise regression 对不显著变量，只剔除对回归贡献最小的那个变量；然后重新建立新的回归方程，如仍有不显著变量，仍仅剔除对回归贡献最小的那个变量，重新建立新的回归方程，直至所有变量都显著 前进法 forward regression 逐步加入自变量，检验显著就保留 后退法 backward regression 将所有自变量引入回归方程，逐渐剔除那些对回归方程作用不大的自变量 * 工具-数据分析-回归 * Excel的多元回归结果 * 应用多元回归的注意事项 多重共线性 Multi-collinearity X1, X2, …, Xk之间存在密切的线性关系，称它们之间存在着多重共线性。此时对回归系数的估计不稳定 因果关系 回归分析能表现出变量彼此关联或有联系，但不能证明其因果关系 回归系数的大小 计量单位相同或数据标准化时才能直接比较 样本容量 r2 受 n 对于自变量个数 k 的影响。一般观测数n至少等于自变量个数 k 的10－15倍。 * 第四节 路径分析 一、基本原理 二、案例分析 2.7 样本回归线和总体回归线 根据样本数据的回归分析结果为样本回归线 ? = a + bX 不同的样本对应于不同的样本回归线 所有样本回归线都是总体回归线 ? = a + bX 的一个估计 所有样本回归线会在总体回归线附近波动 对给定X，对应的总体回归线的?也称为主值，而某条样本回归线对应的?i只是?的一个点估计 所有?i的平均值将为? * * ? ?i X 2.8 回归分析的应用 预测 已知X0，预测总体回归线对应的?0（主值） 已知X0，预测新的观测值Y0 控制 已知Y的范围，控制X的范围 * 3.3 偏回归系数的计算 基本原理 最小二乘法：预测值和观测值的误差平方和最小 一般借助于计算机 Excel SPSS SAS Minitab * 3.4 多元测(决)定系数r2 其中 r 称为复相关系数 multiple correlation coefficient r 实际上就是预测值?和观测值Y之间的相关系数 * 3.5 多元线性回归方程的检验 方差分析 * 3.6 偏回归系数的显著性检验 回归方程显著并不意味着所有的回归系数都显著 某个偏回归系数不显著意味着对应的自变量在回归方程中没什么贡献 可以去掉该变量，重新建立回归方程 检验方法 * 3.7 选择有效自变量的方法 逐步回归 stepwise regression 对不显著变量，只剔除对回归贡献最小的那个变量；然后重新建立新的回归方程，如仍有不显著变量，仍仅剔除对回归贡献最小的那个变量，重新建立新的回归方程，直至所有变量都显著 前进法 forward regression 逐步加入自变量，检验显著就保留 后退法 backward regression 将所有自变量引入回归方程，逐渐剔除那些对回归方程作用不大的自变量 * 3.8 Excel：工具-数据分析-回归 * Excel的多元回归结果 * 3.9 应用多元回归的注意事项 多