实验七多元回归模型.doc

实验七 多元回归模型（2学时） 一、实验目的和要求 1. 熟练掌握多元线性回归模型的建立方法，掌握并能检验所建立回归方程的显著性与方程系数的显著性，能根据实际问题作预测与控制； 2.掌握平方和分解公式，会编程求总离差平方和TSS、回归平方和RSS、残差平方和ESS、复相关系数平方等统计量； 3.会根据实际问题对建立多元非线性回归模型，掌握多元线性回归的regress命令格式． 二、实验内容 1.多元线性回归模型 （1）多元线性回归模型 ——多元线性回归模型 ——待定常数，回归系数，. 矩阵表示 对进行次独立观测，得组数据 则有 ， 其中 相互独立，且． 采用矩阵记号 ---观测向量 ----- 设计矩阵 ----待估回归参数向量 ---随机误差向量 ——多元线性回归模型 （2）参数估计及性质 ----的最小二乘估计 ----随机误差项方差的无偏估计 ---回归方程 给出，可由的观测值和经验回归方程求得的预测值． %求回归参数命令 （3）复相关系数及相关性检验 —总离差平方和分解 —总离差残差平方和（Total Sum of Squares） —残差平方和（Error Sum of Squares） —回归平方和（Regression Sum of squares） ——复相关系数平方 ，回归愈越显著． %求复相关系数平方命令 TSS=sum((y-mean(y)).^2) %计算总离差平方和，y是因变量Y数据 RSS=sum((y1-mean(y)).^2) %计算回归平方和 ESS=sum((y-y1).^2) %计算残差平方和 R2=RSS/ESS; %计算样本决定系数R2=RSS/TSS （4）回归方程的显著性检验 检验假设： 统计量 给出显著性水平，检验值，当 拒绝，认为与线性回归显著；否则线性关系不显著． %回归方程显著性检验命令 F=(n-p-1)*SSR/SSE %计算的F统计量,n是样本容量 F1=finv(0.95,p,n-p-1) %查F统计量0.05的分位数 F2=finv(0.99,p,n-p-1) %查F统计量0.01的分位数 p=1-fcdf(F,p,n-p-1) %求检验P值，F是上面计算结果 （5）回归系数的统计推断 检验假设 统计量 检验值 当，拒绝,认为与线性回归显著；否则不显著． %回归系数显著性的t检验命令 T=b1/sqrt(SSE/(n-2))*sqrt(sum((x-mean(x)).^2)) %t统计量观测值to, x是自变量，b1是X的回归系数 T1=tinv(0.975,n-p-1) %t统计量0.05的分位数 T2=tinv(0.995,n-p-1) %t统计量0.01的分位数 p=2-2*tcdf(T,n-p-1) %t检验的p值 （6）预测及统计推断 因变量的点估计和区间估计 给出，的预测值 的置信区间 4.多元线性回归建模的基本步骤 (1)对问题进行直观分析，选择因变量与解释变量，作出因变量与各解释变量散点图，初步设定多元线性回归模型参数个数； (2) 多元回归建模命令 输入因变量与自变量的观测数据(y,X), 计算参数的估计 regeress，调用格式有以下三种： （1）b = regress(Y,X) （2）[b,bint,r,rint,stats] = regress(Y,X) （3）[b,bint,r,rint,stats] = regress(Y,X,alpha) 输入参数： 因变量观测向量;矩阵，第一列元素全为1，第j列是自变量Xj观测向量，对一元线性回归，取p=1即可;alpha为显著性水平. 输出参数： 向量b--回归系数估计值 bint--回归系数的(1-alpha)置信区间； 向量r--残差列向量； rint--模型的残差的(1- ()的置信区间； stats--用于检验回归模型的统计量，有4个分量值： 第一个是复相关系数平方，第二个是F统计量值，第三个是与统计量F对应的概率P，当P(时拒绝H0，即认为线性回归模型有意义，第四个是方差的无偏估计. (3)调用命令 rcoplot(r,rint) 绘制残差及置信区间图，分析数据的异常点情况； (4)作显著性检验，若检验通过，则用模型作预测； (5)对模型进一步研究：如残差的正态性检验、残差异方差检验，残差自相关性检验等. 例3.2.1某销售公司将库存占用资金情况、广告投入的费用、员工薪酬以及销售额等方面的数据作了汇总