食品实验设计与数据分析第7.pptVIP

Multiple linear regression 多元回归分析数据格式 第一节 多元线性回归 （一）多元线性回归模型的一般形式 （二）多元线性回归分析的一般步骤 二、多元线性回归方程的建立 各变量的离差矩阵 各变量的离差矩阵 建立多元回归方程 三、多元线性回归方程的假设检验及其评价 （一）回归方程的方差分析（所有回归系数为0） 有关计算公式 （二）有关评价指标 软件有关结果 1.残差标准差（ Root MSE ） 2.决定系数（ determination coefficient） 3.复相关系数（ multiple correlation coefficient） 4.校正决定系数（ Adjusted determination coefficient） 四、各自变量贡献大小的假设检验及其评价 （一）各回归系数的t检验 （二）标准化回归系数 （三）偏回归平方和（sum of squares for partial regression）及其F检验 实例计算 第二节 自变量的选择 一、全局择优法 校正决定系数（ Adjusted determination coefficient） （一） Cp准则的计算公式 （二） AIC准则的计算公式 应用以上准则如何选择模型？ SAS获得的几个准则值结果 全局择优法的局限性 二、逐步选择法 （一）前进法 （二）后退法 （三）逐步回归法 逐步回归法实例(令α入＝α出＝0.10) 逐步回归法实例（第一步） 逐步回归法实例（第二步） 逐步回归法实例（X1剔除否） 逐步回归法实例（第三步） 逐步回归法实例（X4/X1/X3剔除否） 逐步回归法实例（第四步） 逐步回归法实例（是否剔除） 逐步回归法实例（是否剔除） 例15-3的方差分析结果 例15-3的回归系数及其检验 第三节 多元线性回归的应用 及其注意事项 一、应用 二、应用条件 三、应用的注意事项 （一）变量的数量化 名义分类变量的哑变量化 （二）样本含量 （三）统计“最优”与专业的“最优” （四）多重共线性 多重共线性的识别与解决办法 （五）交互作用 （六）残差分析(检验应用条件) （六）(用标准化残差发现异常点) （七）偏相关系数 几个相关系数的区别 （八）多元回归计算程序 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 　 　 　 　 　 47.507 4 0.40756 x1x2x3 54.579 2 0.17864 x2 45.356 3 0.43542 x3x4 52.814 2 0.23063 x3 45.16 3 0.4395 x2x4 52.116 3 0.27478 x1x2 45.07 3 0.44137 x1x4 50.857 2 0.28443 x1 45.655 4 0.44683 x1x2x4 48.405 2 0.34653 x4 43.568 4 0.48797 x1x3x4 48.091 3 0.37522 x1x3 42.157 5 0.52823 x1x2x3x4 46.66 3 0.40748 x2x3 40.343 4 0.54563 x2x3x4 AIC CP ADJRSQ 　 　 AIC CP ADJRSQ 　 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。 1. 前进法（forward selection） 2. 后退法（backward elimination） 3. 逐步回归法（stepwise regression）。 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 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。 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） 。 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 。 双向筛选 ；引入有意义的变量（前进法），剔除无意义变量（后退法） 小样本检验水准a定为0.10或0.15，大样本把值定为0.0