多元相关与回归.pptVIP

表13-3 偏回归系数t检验与标准化偏回归系数的结果 * 第十三章 多重线性回归与相关 第一节 多元线性回归的概念与统计描述 第二节 多重线性回归的假设检验第三节 复相关系数与偏相关系数 第四节 自变量筛选 一、数据与模型例13-1 为了研究空气中一氧化氮(NO)的浓度与汽车流量等因素的关系，有人测定了某城市交通点在单位时间内过往的汽车数、气温、空气湿度、风速及空气中的一氧化氮(NO)的浓度，数据如表13-1所示。 表13-1 空气中NO浓度与相关因素的监测数据 0.011 2.40 79 21.5 1440 0.076 0.50 57 23.0 1444 一氧化氮 风速 气湿 气温 车流 一氧化氮 风速 气湿 气温 车流 (Y) (X4) (X3) (X2) (X1) (Y) (X4) (X3) (X2) (X1) 0.099 2.00 687 28.0 1436 0.099 2.00 68 28.0 1436 0.029 1.83 58 26.0 1060 0.135 0.40 83 22.0 1820 0.145 0.65 65 27.0 1496 0.126 0.65 65 27.0 1476 0.222 0.90 83 23.3 1784 0.100 1.70 58 27.0 1200 0.039 1.50 67 24.8 960 0.120 0.60 77 21.8 1500 0.087 1.50 57 23.0 1536 0.040 1.80 69 22.5 1200 0.059 1.45 83 20.0 1656 0.120 0.80 76 30.0 1754 0.039 2.80 92 35.0 1116 0.156 0.90 72 29.5 1756 0.140 1.00 73 26.0 1844 0.170 0.40 84 23.0 1652 0.003 3.00 59 28.5 1084 0.001 1.50 64 26.5 786 0.005 2.00 69 22.5 948 0.066 0.45 80 20.0 1300 此型资料有一个应变量与多个自变量（k个自变量）依存在关系，它的基本形式为 Y=?0+ ? 1X1i+ ? 2X2i+… ? kXki+?i。 ? 0为回归方程的常数项， ? j为偏回归系数（PARTIAL REGRESSION COEFFICIEBT）相应的由样本估计而得的多重线性回归方程为： 因为k个自变量都具有各自的计量单位及不同的变异度，所以不能直接用普通偏回归系数的数值大小来反映各个自变量对反应变量Y的贡献大小。将原始观测数据进行标准化转换，即：然后用标准化数据进行回归模型拟合，此时所获得的回归系数，记为P1,P2,P3,…,Pk,标准化偏回归系数(standardized partial regression coefficient)又称通径系数(path coefficient)。标准化偏回归系数Pi较大的自变量在数值上对反应变量Y的贡献较大。 ? 二、回归参数的估计 多元线性回归方程的建立（利用最小二乘法的原理）  虽然多重回归参数估计的原理和方法与简单回归分析相同，但是随着自变量个数的增加计算量变得相当大，一般依软件包来完成。对于本例的数据，经软件包计算可得回归方程： 第十三章 多重线性回归与相关 第一节 多元线性回归的概念与统计描述 第二节 多重线性回归的假设检验 第三节 复相关系数与偏相关系数 第四节 自变量筛选 一、整体回归效应的假设检验(方差分析) 表13-2 检验回归方程整体意义的方差分析表 23 0.08123 总变异 019 0.01727 残差 0.001 17.59 0.01599 4 0.06396 回归模型 P F MS df SS 变异来源 SS回它反应在Y的总变异中由于X与Y的直线关系而使Y变异减少的部分.它越大说明回归效果越好.SS剩它反应X对Y的线性影响之外的一切因素对Y的变异的作用.它越小,说明直线回归的估计误差越小. 二、偏回归系数?i的假设检验1.假设2.检验统计量 利用软件包对例13-3的四个偏回归系数进行t检验与标准化偏回归系数的结果如表13-3所示。 -0.4470 0.0046 -3.21 0.01081 -0.03468 1 X4 -0.00110 0.9925 -0.01 0-01 X3 0.27274 0.0289 2.36 0.00190 0.00449 1 X2 0.59249