回归分析和结果说明2.doc

本人仍然用这个例子。目的是完成昨天还没有说完的各种统计量 20头黄牛的数据如下 体长胸围体重151.5186462156.2186496146193458136.1193463146.2172388149.8188485155197456144.5175392147.2175398145.2185437138172378142.5192446141.5180396149183426154.2193506152187457158190506146.8189455147.3183478151.3191454 Anovab模型平方和df均方FSig.1回归21674.093210837.04623.618.000a残差7800.45717458.850总计29474.55019其实，说白了，方差分析表看的就是最后的那个Sig值。什么平方和，自由度，均方，最后要的都是那个Sig值。目的就是检验零假设成立与不成立。这里只要知道零假设，就可以根据Sig值与显著性0.05的大小比较来判断，如果大于0.05，零假设成立，如果小于0.05，零假设不成立。原理一大堆，但是只要记住这个结果，知道零假设，任何方差分析表都可以驾驭。本回归中的零假设为回归系数是零，也即是回归方程不成立。但是本例中结果为0.000，说明零假设不成立，回归方程有意义。 　模型非标准化系数标准系数B标准 误差试用版1(常量)-569.131149.940　体长2.679.910.395胸围3.341.714.628B为非标准化回归系数。也称偏回归系数。是在控制其他变量后得到的。只有当所有的自变量统一时，它们才有可比性。由方差分析结果可知，；偏回归系数至少有一个显著。说白了，这个系数就是回归方程自变量的系数和常数。可以由这个系数得到回归方程。本例中为。 Y=-569.131+2.679X1+3.341X2  tSigB 的 95.0% 置信区间下限上限-3.796.001-885.476-252.7872.943.009.7594.6004.678.0001.8344.847回归的假设检验的Sig都小于0.05.说明都有统计意义。  T为偏回归系数为0的假设检验的t值，具有较好的预测效果的变量t值应该大于2或者小于-2，本例中都大于2 相关性共线性统计量零阶偏部分 容忍度VIF　　　　　.628.581.367.8631.159.775.750.584.8631.159 VIF指的是方差膨胀因子，就是容忍度的倒数。其值越大，共线性越强。本例中VIF都比较小，所以，几乎没有共线性。 容忍度其值介于0到1之间，其值越小，自变量与其他自变量之间共线性的关系越强，，但是使用容忍度需要观测量一定要服从正态分布 共线性诊断a???型维数特征值条件索引方差比例(常量)体长胸围112.9981.000.00.00.002.00156.532.00.63.743.00166.4121.00.37.26其值越大，说明共线性可能越大，大于等于30有严重共线性，本例即是 当若干特征值较小并且接近0时，说明某些变量之间存在很高的相关性，这些变量的观测量出现较小的变化时，会导致回归系数较大变化。本例中说明特征值都接近0. a. 因变量: 体重 怎样解决共线性问题？ 可以增加样本量，或者剔除不重要的自变量，或者重新抽取样本数据