第十六章 多重线性回归.pptVIP

学习目标 （1）能够描述多重线性回归分析的应用条件及分析步骤。 （2）能够运用适当的方法和指标对回归模型进行检验及评价。 （3）能够运用适当的方法和指标对各自变量进行检验及评价。 学习目标 （4）能够运用统计软件对实际资料进行自变量的筛选。 （5）能够解释多重线性回归分析的各种结果。 （6）能够说出多重线性回归分析的应用及其注意事项。 内容 第一节 多重线性回归 第二节 应用多重线性回归分析的注意事项 第三节 案例讨论（自学） 案例 1乌鲁木齐市血液中心检验科影响检测质量因素的多重线性回归分析。 2膝关节骨性关节炎X线测量与WOMAC评分的多重线性回归分析 。 3多元线性回归在重庆市卫生事业统计情况中的应用。 4多元线性回归分析在工业洗涤机械行业发展趋势预测中的应用。 例子： 为研究绝经后女性腰椎骨密度的相关影响因素，某医生测定了30名绝经后妇女的身高（cm）、体重（kg）、体重指数BMI（kg/cm2）、年龄（岁）、绝经年限（岁）和腰椎L2-L4骨密度BMD（g/cm2）水平，数据见下表，试建立骨密度BMD与其他几个指标的多重线性回归方程 概述 简单线性回归是研究一个因变量与自变量之间线性趋势的数量关系。但由于事物之间的关系是多方面的，一个因变量的变化可能受到其他多个自变量的影响，如血压值可能与年龄、性别、劳动强度、饮食习惯、吸烟状况、家族史等有关；糖尿病人的脂联素水平可能受体重指数、病程、瘦素、空腹血糖等多种指标的影响。 概述 用回归方程定量的刻画一个因变量Y与多个自变量间的线性依存关系，称为多重线性回归（multiple linear regression）,简称多重回归（multiple regression）。 第一节 多重线性回归 一、基本模型 例16.1 按式16.4、式16.5和式16.6可求得： b1=-0.001,b2=-0.010,b3=0.038,b4=-0.008,b5=-0.012,b0=1.259 故所求多重线性回归方程为： 二、自变量筛选 选择自变量的基本思路： （1）尽可能将回归效果显著的自变量选入回归方程中。 （2）将作用不显著的自变量排除在外。 自变量的选择方法 （一）、全局择优法：又称最优子集回归法，求出所有可能的回归模型（共有2m－1个）选取最优者。 （二）、逐步选择法 1.前进法（forward selection） 2.后退法（backward selection） 3.逐步回归法（stepwise regression） 一、全局择优法 根据一些准则（criterion）建立“最优”回归模型。 1.校正决定系数 选择法（考虑了自变量的个数） 决定系数R2可以用来评价回归方程的优劣，但随着自变量个数的增加，R2将不断增加。 2.Cp准则（C即criterion，p为所选模型中变量的个数；Cp接近（p+1）模型为最优） 应用以上准则如何选择模型？ 求出所有可能的回归模型（共有2m－1个）对应的准则值；按上述准则选择最优模型。 全局择优法的局限性 如果自变量个数为4，则所有的回归有24－1＝15个；当自变量数个数为10时，所有可能的回归为 210－1＝1023个；当自变量数个数为50时，所有可能的回归为250－1≈1015个。 （二）逐步选择法 1. 前进法（forward selection）：回归方程中的自变量从无到有、从少到多逐个引入回归方程。此法已基本淘汰。 2. 后退法（backward elimination）：先将全部自变量选入方程，然后逐步剔除无统计学意义的自变量。 3. 逐步回归法（stepwise regression）：是在前述两种方法的基础上，进行双向筛选的一种方法。该方法本质上是前进法。 （二）逐步选择法 它们的共同特点是每一步只引入或剔除一个自变量。决定其取舍则基于对偏回归平方和的F 检验。 1.前进法 （forward selection） 自变量从无到有、从少到多 Y对每一个自变量作直线回归，对回归平方和最大的自变量作F 检验，有意义（P小）则引入。 在此基础上，计算其它自变量的偏回归平方和，选取偏回归平方和最大者作F 检验，…。 局限性：即后续变量的引入可能会使先进入方程的自变量变得不重要。 2.后退法（backward elimination） 先将全部自变量放入方程，然后逐步剔除。 偏回归平方和最小的变量，作F 检验及相应的P值，决定它是否剔除（P大） 。 2. 建立新的回归方程。重复上述过程。 局限性：自变量高度相关时，可能得不出正确的结果。 3.逐步回归法（ stepwise regression ） 双向筛选 ；引入有意义的变量（前进法）