第9章回归分析.pptVIP

(2)Residual框中的残差分析 Durbin-waston:D-W值 Casewise diagnostic:异常值(奇异值)检测 (输出预测值及残差和标准化残差) Options选项：设置多元线性回归分析中解释变量筛选的标准以及缺失值的处理方式。 Stepping Method Criteria框：设置多元线性回归分析中解释变量进入或剔除出回归方程的标准。 Use probability of F：默认项。表示以偏F统计量的概率值为标准判断解释变量能否进入或剔除出回归方程。Entry表示某变量进入方程的标准；Removal表示某变量剔除出方程的标准。 Use F value：以偏F统计量的临界值为标准判断解释变量能否进入或剔除出回归方程。 Include constant in equation：表示方程中是否包括常数项。默认包括常数项。 plot选项:图形分析. Standardize residual plots:绘制残差序列直方图和累计概率图,检测残差的正态性 绘制指定序列的散点图,检测残差的随机性、异方差性 ZPRED:标准化预测值 ZRESID:标准化残差 SRESID:学生化残差 Produce all partial plot:绘制被解释变量和所有解释变量之间的散点图 Save选项：将回归分析的某些结果以SPSS变量的形式保存到数据编辑窗口中，并可同时生成XML格式的文件，便于分析结果的网络发布。 WLS选项：当存在异方差时，指定权重变量，采用加权最小二乘法进行参数估计，而非普通最小二乘法。 案例 为研究体重和体内脂肪对腰围的影响，随机收集了20个观测数据，数据见“腰围和体重.sav”。利用线性回归分析方法进行分析。 * 24 This teleology is based on the number of explanatory variables nature of relationship between X Y. * * * * * * 判定系数与相关系数的区别 在一元线性回归中，判定系数等于相关系数的平方，即R2＝(r)2。 一元线性在回归分析中， R2是一个比r更有意义的度量，因为前者告诉我们在因变量的变异中由自变量解释的部分占怎样一个比例，因而对一个变量的变异在多大程度上决定另一个变量的变异，提供了一个总的度量。而后者没有这种价值。 判定系数无方向性，相关系数则有方向，其方向 与样本回归系数 相同。 * * 为什么要修正？ 判定系数随解释变量个数的增加而增大。易造成错觉：要模型拟合得越好，就应增加解释变量。然而增加解释变量会降低自由度，减少可用的样本数。并且有时增加解释变量是不必要的。 导致解释变量个数不同模型之间对比困难。 决定系数只涉及变差，没有考虑自由度。 修正思路： 引进自由度校正所计算的变差 调整的判定系数(决定系数） 考虑的是平均的剩余平方和,克服了因自变量增加而造成R2也增大的弱点 在某个自变量引入回归方程后，如果该自变量是理想的且对因变量变差的解释说明是有意义的，那么必然使得均方误差减少，从而使调整的R2得到提高；反之，如果某个自变量对因变量的解释说明没有意义，那么引入它不会造成均方误差减少，从而调整的R2也不会提高。 回归方程的拟合优度检验实质上并非统计学的统计检验问题，而是一种刻画性的描述，不涉及提出原假设、选择检验统计量等一系列步骤，不涉及对解释变量和被解释变量总体线性关系的推断。 上述内容是回归方程的拟合优度检验所要实现的目标 二、回归方程的显著性检验 目的：检验被解释变量与所有解释变量之间的线性关系是否显著，用线性模型来描述它们之间的关系是否恰当。 检验思想：平均的SSA相对于平均的SSE来说是否占较大的比例。如果占较大比例，则表示y与x全体的线性关系明显，利用线性模型反映反映它们之间的关系是恰当的；反之，则不恰当。 检验统计量：采用方差分析方法，构造F统计量 一元线性回归方程 原假设：回归系数与零无显著性差异。即 检验统计量 多元线性回归方程 原假设：各个偏回归系数同时与零无显著性差异。即 检验统计量 三、回归系数的显著性检验 目的：检验每个解释变量能否有效解释被解释变量的线性变化。它们能否保留在线性回归方程中。 思想：当 为零时，无论xi取值如何变化都不会引起y的线性变化， xi与y之间不存在线性关系。 检验统计量：t统计量 一元线性回归方程 原假设：回归系数与零无显著性差异。即 由于 构造检验统计量 其中： 多元线性回归方程 原假设：第i个偏回归系数与零无显著性差异。即 由于 检验统计量 其中： 方程的显著性检验与系数的显著性检验的区别联系