多重线性回归案例.pptVIP

多重线性回归 简单线性回归：研究一个因变量与一个自变量间的线性关系。 多重线性回归：研究一个因变量与多个(两个或两个以上)自变量间的线性关系。 多元多重线性回归：研究多个因变量与多个自变量间的线性关系。 多重回归优点：比只用一个自变量进行预测更有效，更符合实际，可增强对因变量的分析估计的准确性。 一、多重线性回归模型的建立 例13-2 所得方程： 标准回归方程：将原始数据分别转换成标准分数，以标准分数建立的回归方程。一般形式为： 标准偏回归系数与回归系数的关系如下： 二、多重线性回归方程的检验 （一）方差分析 若求得的回归方程非常显著，即因变量Y与两个自变量之间存在显著的线性关系。 （二）测定系数 也可以通过复相关系数的显著性检验来对回归方程进行检验，复相关系数显著则回归方程也显著。查附表11可对复相关系数的显著性进行检验。 （三）偏回归系数的显著性检验 对每个偏回归系数的显著性检验使用t检验 注意：偏回归系数不显著时回归方程可能仍然显著。 经方差分析，结果回归方程显著，但回归方程中每一个偏回归系数不一定都显著。 （四）多重线性回归中的预测区间 三、多重回归方程中自变量的选择 （一）最优方程选择法：从所有可能的自变量组合建立的回归方程中选择最优的。 （二）同时分析法：将所有的预测变量同时纳入回归方程中估计因变量。区分为：强制进入法，强制淘汰法。 （三）逐步分析法：所有的预测变量并非同时被用来进行预测，而是根据解释力的大小，逐步地检查每一个预测变量的影响。依据预测变量的选择顺序，分为顺向进入法，反向淘汰法 （四）逐步回归法：按各个自变量对因变量作用的大小，从大到小逐个地引入回归方程。 （五）阶层分析法：预测变量之间可能具有特定的先后关系，需要依照研究者的设计，以特定的顺序进行分析。 四、多重线性回归的基本假设 线性：指自变量与因变量之间的关系是线性的。 独立性：指各观测值之间是相互独立的。 正态性：指自变量取不同值时，因变量服从正 态分布。 方差齐性：指自变量取不同值时，因变量的方 差之间在给定显著性水平没有显著性差异。 多重共线性：自变量间存在相关性。 多重共线性严重的情况下，回归参数估计的标准误大大增加，导致置信区间扩大，Ⅰ型错误增大等一系列问题。 Ⅰ型错误: 拒绝了实际上成立的H0，即错误地判为有差别，这种弃真的错误称为Ⅰ型错误。其概率大小用即检验水准用α表示 Ⅱ型错误:接受了实际上不成立的H0 ，也就是错误地判为无差别，这类取伪的错误称为第二类错误。第二类错误的概率用β表示 前面谈论的回归分析都是要求变量是数量型的，在实际研究中，遇到按性质分类的变量时，一般不能直接进行上述的回归分析而是要经过一定方式的转换。 若Y变量与时间积累有关，自身之间并不独立，后一个数据是在前一个数据基础上积累的，不宜使用上述回归方法，而应该使用自回归分析。