回归分析及进阶分析-多元回归与结构方程模型.pptx

多元回归与结构方程模型;回归分析 一元回归 多元回归;回归分析是研究一个变量（被解释变量/因变量）对另一个或多个变量（解释变量/自变量）的依赖关系。变量之间的关系可分为线性关系和非线性关系。 在进行回归分析之前，要先分析变量之间是否存在线性相关关系，如果变量间不存在线性相关关系，则使用基于最小二乘法的回归分析所得的的结果是不可靠的。 多元回归—2个以上的自变量;研究一个变量（被解释变量/因变量）对另一个或多个变量（解释变量/自变量）的依赖关系。变量之间的关系可分为线性关系和非线性关系。 ;;自变量x与因变量y皆为定量（定距变量、定比变量），而非定性（定类变量、定序变量） 如果要将定类、定序变量放入回归，须转化为虚拟变量（dummy variable）。如未转换，则有可能造成就对结果解释的偏误。 ;;年龄是否影响智商（IQ） 定量---定?? 年龄是否影响对电脑品牌的选择 定量---定性 性别是否影响对电脑品牌的选择 定性---定性 。。。。。。 ;考虑家庭月可支配收入如何影响消费支出。 可支配收入 X（千元） 消费支出 Y（千元）;假设样本为10，; 为了拟合这样一条直线，需要某种准则。准则不同，拟合的方法也就不同，拟合出来的直线就不一样。最常用的准则是普通最小二乘准则。;;残差e——根据样本所拟合出来的直线上的y值与样本实际观测到的y之间的距离。这个值可以观测到。 误差E/Ksi——总体直线中，x与常数项不能解释的总体y的部分。不可观测。它来自随机性与测量误差。;用样本回归直线与推断总体回归直线 用一些指标来判断推断的是否合理（接近） ;样本回归方程 求出参数 需要一个公式/准则： 所有观测点与直线的垂直距离 （称为残差 Residual）都尽可能地小，即让所有的观测点与直线的垂直距离之和∑e为最小。 有些观测点在直线之下，因此有些e是正的，有些是负的。相加后正负抵销，有可能总和∑e很小但是个别是的e还是很大。为了克服这个问题，我们先将e平方使它们都变成正的，然后再求和并使之变成最小，这就是所谓的“普通最小二乘法（OLS——Ordinary Least Squares）准则” ;目标函数：min 变量：b0和b1 ;要想使 b0和 b1更稳定，在收集数据时，就应该考虑 X 的取值尽可能分散一些；样本容量也应尽可能大一些，样本量太小时，估计量的稳定性肯定不会很好。;拟合优度： 样本数据聚集在样本回归直线周围的密集程度，从而判断回归方程对样本数据的代表程度。 判定系数 回归方程的显著性检验： F检验 对因变量与所有自变量之间的线性关系是否显著的一种假设检验 回归系数的显著性检验 根据样本估计的结果对总体回归系数的有关假设进行检验 T检验 ;; 平方，对所有的点求和，最终可得 总离差平方和（Total Sum of Squares） 残差平方和(Residual Sum of Squares) 回归平方和(Explained Sum of Squares) ; ;如果比例值 ESS/RSS 较大，说明 X 对 Y 的解释程度高，可以认为总体存在线性关系，反之总体可能不存在线性关系。做利用这个值 ESS/RSS 进行推断。由于对不同的样本，这个比值可能不同，因此对给定的样本，利用这个比值进行推断，必须在统计假设检验的基础上进行 可以证明，在一元线性回归条件下，ESS和 RSS分别服从自由度为 1和 n-2 的 卡方 分布 ; H0：B2＝B3＝0 等同于零假设H0：R2=0 这个假设表明两个解释变量一起对应变量Y无影响，这是对估计的总体回归直线的显著性检验。 Note：书上的写反了。 如果分子比分母大，也即Y被回归解释的部分比未被回归解释的部分大，F值越大，说明解释变量对应变量Y的变动的解释的比例逐渐增大，就越有理由拒绝零假设。 期望：拒绝零假设，即，F检验要显著 ;当样本为小样本时，回归参数估计值的标准化变换变量并不遵循正态分布规律，而是服从自由度为 n-2 的ｔ分布;H0：B2＝0。 X对Y的影响为0 期望：拒绝零假设，要显著 如果 t 的绝对值大于临界值（或者 pα） ，就拒绝原假设，接受备择假设，说明 X 对 Y具有显著的影响作用；反之，如果 t 的绝对值小于临界值的绝对值（或者 pα） ， 则接受原假设，说明 X 对Y 没有显著的影响 ;;;;每次回归的F值及其显著性 每个自变量的系数，及其T检验的显著性 判定系数 判定系数的变化及其显著性;;;;回归分析结果;;;;补充专题;曲线关系检验;步骤;U形、倒U形;;中介： Baron3步检验： ;调节： 整体模型的F检验 交互项的系数的T检验 R Square ch