;93线回归分析.pptVIP

1. 一元线性回归模型 设x和y有相关关系，y并不由x唯一确定，而是 有下式子成立： y= b0 + b1 x+ e，其中e为随机误差 ?0 和 ?1 称为回归参数， 其中，?0称为回归常数 ?1称为回归系数 2. 多元线性回归模型 设因变量y与k个自变量x1,x2…xk相关，且有 以下式子成立： y= b0 + b1 x1+ b2 x2 + … + bk xk + e， 其中e为随机误差, ?i 为回归参数（i＝0,1,2…k） 其中， ?0回归常数， ?i （i＝1,2…k）称为偏回归系数 三. 线性回归方程的统计检验 回归方程的拟合优度检验 回归直线与各观测数据的接近程度称为回归直线的拟合优度（goodness of fit）。 度量回归直线的拟合优度最常用的指标是判定系数。 该指标是建立在对总离差平方和进行分解的基础之上的。 离差平方和的分解 两端平方后求和有 为避免增加自变量而高估R2，可以用样本容量n和自变量的个数k去修正R2，计算出调整的判定系数（adjusted multiple coefficient of determination）。 若自变量对因变量是没有意义的，则引入该自变量不会使均方误差减少，因此调整的R2也不会增加。 如果自变量对因变量是有意义的，则会使均方误差减少，从而调整的R2将会增加 因此，在线性回归分析中，一般来说，调整的判定系数越大越好。 2.回归方程的显著性检验 回归方程的显著性检验只能检验回归系数是不是同时与零有显著差异，即使回归方程通过了显著性检验，并不能保证每一个回归系数都与零有显著差异。 因此要进行回归系数的显著性检验。分别检验每一个回归系数是否与零有显著差异。 第一步：建立零假设： 回归模型的前提要求残差项服从方差相等的正态分布，且残差项间应该相互独立。 如果这个前提没有满足，回归方程的应用效果将极不理想。 因此我们要对残差进行分析。 残差分析的主要工作有： 残差序列的正态性分析：可以通过描绘标准化残差序列的直方图或者qq图来检验。 残差序列的独立性分析:即分析残差序列是否存在相关的现象。 可以通过计算Durbin－Waston的值来检验。 D.W接近2就认为残差之间是相互独立的。 残差序列的异方差性分析。分析残差序列是否存在异方差性。可以通过绘制残差序列的散点图来检验。 4. 对样本奇异值的判定（|标准化残差值|是否大于3）。 1. 自变量筛选方法 (1) 向前筛选法 (2) 向后筛选法 (3) 逐步筛选法 2. 自变量间多重共线性的测度 多重共线性：自变量之间存在线性相关关系 容忍度 ; 容忍度越大，说明该变量的多重共线性越小 结果分析： 表1 引入或剔除的变量 表1表示通过逐步回归产生的三种模型.模型1最先引入了变量x4人均生长总值，接着引入了变量x1成交额，没有变量被剔除，建立了模型2；最后又引入了变量x6房地产买卖金额，没有变量被剔除，建立了模型3。 表2显示了模型的拟合情况。模型3的复相关系数R为0.991，判定系数为0.981，调整的判别系数为0.976，比前两个模型的调整判别系数都要高。模型3的DW检验值为1.403，可以暂时认为残差序列间无序列相关。 表2 模型汇总表 表3描述了各模型的回归方程的显著性检验结果。可以看出，三个模型的F检验的概率P值都为0，说明所有自变量的回归系数不同时为零。且随着自变量的引入，均方误差在不断减少，故可以认为因变量y与三个自变量之间x4 、 x1和x6存在线性关系。 表3 回归方程的显著性检验结果 表4描述了各模型的偏回归系数、标准化偏回归系数及其对应的检验值。x4，x1，x6变量对应的回归系数的对应检验统计量的概率p值分别为：0.011，0和0.011，均小于显著水平0.05，故认为它们都与零有显著差别，是具有显著意义的。 表4 回归系数检验结果 接上页。故根据模型3可以建立多元线性回归方程为： 表4 回归系数检验结果 接上页。表的第四列为标准化回归系数，可以看出x4，x1，x6变量对应的标准化回归系数分别为：0.319，0.417和0.3