环境因素对经济的影响分析要点.docVIP

——环境因素对经济的影响分析 制作人：严国金 周佳卫 陈晓磊 2015.12.5环境因素对经济的影响分析 ——以上海市为例 摘 要 计算步骤： 用二元线性回归模型描述为：? ? ? ? 建立多元性回归模型时，为了保证回归模型具有优良的解释能力和预测效果， 应首先注意自变量的选择，其准则是： (1)自变量对因变量必须有显著的影响，并呈密切的线性相关； (2)自变量与因变量之间的线性相关必须是真实的，而不是形式上的； (3)自变量之彰应具有一定的互斥性，即自变量之彰的相关程度不应高于自变量 与因变量之因的相关程度； (4)自变量应具有完整的统计数据，其预测值容易确定。 多元性回归模型的参数估计，同一元线性回归方程一样，也是在要求误差平方和( )为最小的前提下，用最小二乘法求解参数。以二线性回归模型为例， 解回归参数的标准方程组为 解此方程可求得 的数值。亦可用下列矩阵法求得 即 多元性回归模型与一元线性回归模型一样，在得到参数的最小二乘法的估计值 之后，也需要进行必要的检验与评价，以决定模型是否可以应用。 拟合程度的测定。 与一元线性回归中可决系数相对应，多元线性回归中也有多重可决系数， 它是在因变量的总变化中，由回归方程解释的变动(回归平方和)所占的比重， 越大，回归方各对样本数据点拟合的程度越强，所有自变量与因变量的关系 越密切。计算公式为： 其中， 估计标准误差 估计标准误差，即因变量的实际值与回归方程求出的估计值之间的标准误 差，估计标准误差越小，回归方程拟合程度越程。 其中，为多元线性回归方程中的自变量的个数。 回归方程的显著性检验 回归方程的显著性检验，即检验整个回归方程的显著性，或者说评价所有自变 量与因变量的线性关系是否密切。能常采用检验根据给定的显著水平,自由度查 分布表，得到相应的临界值， 若，则回归方程具有显著意义，回归效果显著；，则回归方程无显著意义，回归效果不显著。 4.回归系数的显著性检验 在一元线性回归中，回归系数显著性检验(检验)与回归方程的显著性检验(检验)是等价的，但在多元线性回归中，这个等价不成立。检验是分别检验回 归模型中各个回归系数是否具有显著性，以便使模型中只保留那些对因变量有显 著影响的因素。检验时先计算统计量；然后根据给定的显著水平,自由度 查分布表，得临界值 或 ，或 ，则回归系数与 0 有显著关异，反之，则与 0 无显著差异。 多重共线性判别 若某个回归系数的检验通不过，可能是这个系数相对应的自变量对因变量 的影平不显著所致，此时，应从回归模型中剔除这个自变量，重新建立更为简单 的回归模型或更换自变量。也可能是自变量之间有共线性所致，此时应设法降低 共线性的影响。 多重共线性是指在多元线性回归方程中，自变量之彰有较强的线性关系，这 种关系若超过了因变量与自变量的线性关系，则回归模型的稳定性受到破坏，回 归系数估计不准确。需要指出的是，在多元回归模型中，多重共线性的难以避免 的，只要多重共线性不太严重就行了。判别多元线性回归方程是否存在严惩的多 重共线性，可分别计算每两个自变量之间的可决系数，若或接近于， 则应设法降低多重线性的影响。亦可计算自变量间的相关系数矩阵的特征值的条 件数(为最大特征值，为最小特征值),k100，则不存在多重点共 线性；若 100≤k≤1000，则自变量间存在较强的多重共线性，若 k1000，则自 变量间存在严重的多重共线性。降低多重共线性的办法主要是转换自变量的取 值，如变绝对数为相对数或平均数，或者更换其他的自变量。 逐步回归（stepwise regression），在建立多元回归方程的过程中，按偏相 关系数的大小次序将自变量逐个引入方程，对引入方程中的每个自变量偏相关系 数进行统计检验，效应显著的自变量留在回归方程内，循此继续遴选下一个自变 量。如果效应不显著，停止引入新自变量。由于新自变量的引入，原已引入方程 中的自变量由于变量之间的相互作用其效应有可能变得不显著者，经统计检验确 证后要随时从方程中剔除，只保留效应显著的自变量。直至不再引入和剔除自变 量为止，从而得到最优的回归方程。 逐步回归分析时在考虑的全部自变量中按其对 y 的贡献程度大小，由大到小 地逐个引入回归方程，而对那些对 y 作用不显著的变量可能是中不被引入回归方 程。另外，已被引入回归方程的变量在引入新变量进行 F 检验后失去重要性时， 需要从回归方程中剔除出去。 Step 1 计算变量均值和差平方和 记各自的 标准化变量为? ? ? ? ? Step 2 计算 的相关系数矩阵 。 Step 3 设已经选上了 K 个变量： 且 互不相同，经 过变换后为对