多重回归与相关.pptVIP

 多重回归分析步骤 求回归方程 ----- 最小二乘原则 假设检验 ----- 检验回归方程是否具有统计学意义 (3) 变量选择 ----- 以尽量少的自变量, 达到较好地解释Y的目的 回归系数及其检验 标准偏回归系数Standardized partial regression coefficient 这个回归方程有统计学意义吗?  方差分析( Analysis Of Variance, ANOVA) 方差分析表 这个回归方程好吗? 剩余标准差(Residual standard deviation), s 决定系数(determination coefficient) 复相关系数 (coefficient of multiple correlation) 又称多重相关系数 13.2.4 偏相关系数的检验 自变量选择 选择标准: 校正复相关系数(adjusted coefficient of multiple correlation)最大, 有助于少用自变量. 选择方法: 前进法 (自变量由由少到多,一个一个上岗) 后退法 (自变量由多到少,一个一个下岗) 逐步法 (自变量由无到有, 由多到少:增?减?增?减? …) 例?? 医院资料的变量选择 13.4.1 模型诊断和弥补措施 13.4.2 多重共线性 当自变量之间高度相关时, 估计值不稳定 标准误过大 导致某些自变量的系数或符号无法解释. 变量选择过程是克服这类问题的办法之一。 决策： 抛弃某些自变量？ 保留全部自变量？ -- 把彼此相关的变量组合起来 ( “主成分” ,见第 18 章). 13.4.3 交互效应 13.4.5 两组数据 – 能否合并? 小 结 1. 多重线性回归 (多重回归) 一个因变量 Y, 多个自变量; 线性模型. 2. 拟合一个回归方程 – 最小二乘估计 3. 系数确实不等于零? – t 检验 回归方程具有统计学意义? – ANOVA 4. 衡量拟合得好坏 残差的标准差 多重决定系数 5. 应用: 两个不同的区间 Y 的平均值的置信区间 (较窄) Y 的预测区间 (较宽) 6. 相关: 简单相关 复相关 偏相关 7. 自变量的选择 模型比较的标准: R2 大 校正 R2大 Cp 小 变量选择的算法: 向前 向后 逐步 全子集 8. 模型诊断和改善 模型假设: LINE 一般改善办法： 自变量的变换 加权最小二乘估计 9. 多重共线性 估计不稳定 标准误过大 某些自变量的系数不好解释. 10. 交互效应 11. 通径分析 13.5* Path Analysis Education might have indirect effect !? Step 1???画通径图 根据专业知识，反映变量间可能的关系 Step 2???确定通径系数  小 结 1. 多重线性回归 (多重回归) 一个因变量 Y, 多个自变量; 线性模型. 2. 拟合一个回归方程 – 最小二乘估计 3. 系数确实不等于零? – t 检验 回归方程具有统计学意义? – ANOVA 4. 衡量拟合得好坏 残差的标准差 多重决定系数 5. 应用: 两个不同的区间 Y 的平均值的置信区间 (较窄) Y 的预测区间 (较宽) 6. 相关: 简单相关 复相关 偏相关 7. 自变量的选择 模型比较的标准: R2 大 校正 R2大 Cp 小 变量选择的算法: 向前 向后 逐步 全子集 8. 模型诊断和改善 模型假设: LINE 一般改善办法： 自变量的变换 加权最小二乘估计 9. 多重共线性 估计不稳定 标准误过大 某些自变量的系数不好解释. 10. 交互效应 11. 通径分析 （1）箭头从“因”指向“