第3章多元线性回归..pptVIP

第三章 多元线性回归 3.1 多元线性回归模型 3.2 回归参数的估计 3.3 参数估计量的性质 3.4 回归方程的显著性检验 3.5 中心化和标准化 3.6 相关阵与偏相关系数 3.7 本章小结与评注 3.1 多元线性回归模型 一、多元线性回归模型的一般形式 3.1 多元线性回归模型 一、多元线性回归模型的一般形式 3.1 多元线性回归模型 一、多元线性回归模型的一般形式 3.1 多元线性回归模型 二、多元线性回归模型的基本假定 3.1 多元线性回归模型 二、多元线性回归模型的基本假定 3.1 多元线性回归模型 二、多元线性回归模型的基本假定 3.1 多元线性回归模型 二、多元线性回归模型的基本假定 3.1 多元线性回归模型 三、多元线性回归方程的解释 3.1 多元线性回归模型 三、多元线性回归方程的解释 3.1 多元线性回归模型 3.1 多元线性回归模型 三、多元线性回归方程的解释 3.2 回归参数的估计 一、回归参数的普通最小二乘估计 3.2 回归参数的估计 一、回归参数的普通最小二乘估计 3.2 回归参数的估计 一、回归参数的普通最小二乘估计 3.2 回归参数的估计 二、回归值与残差 3.2 回归参数的估计 二、回归值与残差 3.2 回归参数的估计 二、回归值与残差 3.2 回归参数的估计 三 、回归参数的最大似然估计 3.2 回归参数的估计 3.2 回归参数的估计 3.2 回归参数的估计 3.3 参数估计量的性质 3.3 参数估计量的性质 3.3 参数估计量的性质 3.3 参数估计量的性质 3.3 参数估计量的性质 3.3 参数估计量的性质 3.4 回归方程的显著性检验 3.4 回归方程的显著性检验 3.4 回归方程的显著性检验 3.4 回归方程的显著性检验 3.4 回归方程的显著性检验 3.4 回归方程的显著性检验 3.4 回归方程的显著性检验 3.4 回归方程的显著性检验 3.4 回归方程的显著性检验 3.4 回归方程的显著性检验 3.4 回归方程的显著性检验 3.5 中心化和标准化 3.5 中心化和标准化 3.5 中心化和标准化 3.5 中心化和标准化 3.6 相关阵与偏相关系数 3.6 相关阵与偏相关系数 3.6 相关阵与偏相关系数 3.6 相关阵与偏相关系数 3.6 相关阵与偏相关系数 3.6 相关阵与偏相关系数 3.6 相关阵与偏相关系数 3.6 相关阵与偏相关系数 3.6 相关阵与偏相关系数 3.6 相关阵与偏相关系数 3.6 相关阵与偏相关系数 3.6 相关阵与偏相关系数 3.7 本章小结与评注 3.7 本章小结与评注 3.7 本章小结与评注 3.7 本章小结与评注 3.7 本章小结与评注 当回归模型的未知参数估计出来后,我们实际上是由n组样本观测数据得到一个经验回归方程,这个经验回归方程是否真正反映了变量y和变量x1,x2,…,xp之间的线性关系,这就需要进一步对回归方程进行检验。一种检验方法是拟合优度检验,即用样本决定系数的大小来衡量模型的拟合优度。样本决定系数R2越大,说明回归方程拟合原始数据y的观测值的效果越好。但由于R2的大小与样本容量n以及自变量个数p有关,当n与p的数目接近时,R2容易接近于1,这说明R2中隐含着一些虚假成分。因此,仅由R2的值很大,去推断模型优劣一定要慎重。前几年我们在著名的《经济研究》杂志也看到有作者忽略了这一问题，犯了统计方法应用的低级错误。 对于回归方程的显著性检验,我们用F统计量去判断假设H0:β1=β2=…=βp=0是否成立。当给定显著性水平α时,F＞Fα(p,n-p-1),则拒绝假设H0,否则不拒绝H0。接受假设H0和拒绝假设H0对于回归方程来说意味着什么,这仍需慎重对待。 一般来说,当接受假设H0时,认为在给定的显著性水平α之下,自变量x1,x2,…,xp对因变量y无显著性影响,于是通过x1,x2,…,xp去推断y也就无多大意义。在这种情况下,一方面可能这个问题本来应该用非线性模型去描述,而我们误用线性模型描述了,使得自变量对因变量无显著影响;另一方面可能是在考虑自变量时由于我们认识上的局限性把一些影响因变量y的自变量漏掉了。这就从两个方面提醒我们去重新考虑建模问题。 当我们拒绝了假设H0时,我们也不能过于相信这个检验,认为这个回归模型已经很完美了。其实当拒绝H0时,我们只能认为这个回归模型在一定程度上说明了自变量x1,x2,…,xp与因变量y的线性关系。因为这时仍不能排除我们漏掉了一些重要的自变量。参考文献［2］的作