应用回归分析 第七章答案.docVIP

岭回归 岭回归估计是在什么情况下提出的？ 答：当解释变量间出现严重的多重共线性时，用普通最小二乘法估计模型参数，往往参数估计方差太大，使普通最小二乘法的效果变得很不理想，为了解决这一问题，统计学家从模型和数据的角度考虑，采用回归诊断和自变量选择来克服多重共线性的影响，这时，岭回归作为一种新的回归方法被提出来了。 岭回归估计的定义及其统计思想是什么？ 答：一种改进最小二乘估计的方法叫做岭估计。当自变量间存在多重共线性，∣XX∣≈0时，我们设想给XX加上一个正常数矩阵kI(k0),那么XX+kI 接近奇异的程度小得多，考虑到变量的量纲问题，先对数据作标准化，为了计算方便，标准化后的设计阵仍然用X表示，定义为 ，称为的岭回归估计，其中k称为岭参数。 选择岭参数k有哪几种主要方法？ 答：选择岭参数的几种常用方法有1.岭迹法，2.方差扩大因子法，3.由残差平方和来确定k值。 用岭回归方法选择自变量应遵从哪些基本原则？ 答：用岭回归方法来选择变量应遵从的原则有： （1）在岭回归的计算中，我们假定设计矩阵X已经中心化和标准化了，这样可以直接比较标准化岭回归系数的大小，我们可以剔除掉标准化岭回归系数比较稳定且绝对值很小的自变量。 当k值较小时标准化岭回归系数的绝对值并不是很小，但是不稳定，随着k的增加迅速趋于零。像这样的岭回归系数不稳定,震动趋于零的自变量，我们也可以予以删除。 去掉标准化岭回归系数很不稳定的自变量，如果有若干个岭回归系数不稳定，究竟去掉几个，去掉哪几个，这并无一般原则可循，这需根据去掉某个变量后重新进行岭回归分析的效果来确定。 对第5章习题9的数据，逐步回归的结果只保留了3个自变量x1，x2，x5，用y对这3个自变量做岭回归分析。 答： 依题意，对逐步回归法所保留的三个自变量做岭回归分析。 程序为： includeC:\Program Files\SPSSEVAL\Ridge regression.sps. ridgereg dep=y/enter x1 x2 x5 /start=0.0/stop=1/inc=0.01. 岭迹图如下： 计算结果为： 可以看到，变量x1、x2迅速由负变正，x5迅速减小，在0.01-0.1之间各回归系数的岭估计基本稳定，重新做岭回归。岭迹图如下： 先取k=0.08： 语法命令如下： includeC:\Program Files\SPSSEVAL\Ridge regression.sps. ridgereg dep=y/enter x1 x2 x5 /k=0.08. 运行结果如下： 得到回归方程为： 再取k=0.01： 语法命令如下： includeC:\Program Files\SPSSEVAL\Ridge regression.sps. ridgereg dep=y/enter x1 x2 x5 /k=0.01. 运行结果： ****** Ridge Regression with k = 0.01 ****** Mult R .9931857 RSquare .9864179 Adj RSqu .9840210 SE 329.6916494 ANOVA table df SS MS Regress 3.000 134201841 Residual 17.000 1847841.9 108696.58 F value Sig F 411.5487845 .0000000 --------------Variables in the Equation---------------- B SE(B) Beta B/SE(B) x1 .0556780 .0615651 .0981355 .9043751 x2 .0796395 .0218437 .3291293 3.6458814 x5 .1014400 .0108941 .5621088 9.3114792 Constant 753.3058478 121.7381256 .0000000 6.1879205 回归方程为： y=753.3058-0.05568x1－0.0796x2＋0.1014x5 从上表可