ppt-第3章 多元回归分析.ppt

方 差： 协方差： 变异系数： 相关系数： （标准差率） 标准化 寻求相对的可比性。 二、标准化回归系数 1、样本数据的标准化公式： 其中： 是自变量xj的离差平方和。 【例 3.1(续)】 x1* x2* y* -0.309 0.3711 0.1079 -0.024 -0.177 -0.111 -0.375 -0.177 0.086 -0.287 -0.046 0.5246 0.4149 0.232 -0.392 -0.392 -0.184 -0.184 0.232 0.440 0.232 0.024 0.336 0.024 0.024 -0.392 -0.22 0.241 -0.13 -0.09 -0.29 -0.11 -0.15 -0.11 0.044 -0.15 0.044 0.548 0.373 1 2 3 4 5 6 7 8 9 10 11 12 13 x1 x2 y -14.08 16.92 4.92 -1.08 -8.08 -5.08 -17.08 -8.08 3.92 -13.08 -2.08 23.92 18.92 1.12 -1.88 -1.88 -0.88 -0.88 1.12 2.12 1.12 0.12 1.62 0.12 0.12 -1.88 -10 11 -6 -4 -13 -5 -7 -5 2 -7 2 25 17 1 2 3 4 5 6 7 8 9 10 11 12 13 用最小二乘法，求出标准化的样本数据 的经验回归方程： 标准化回归系数与最小二乘回归系数的关系： 【例 3.1(续)】 一、样本相关阵 第六节 相关阵和偏相关系数 第三章 多元回归分析 二、偏决定系数 三、偏相关系数 一、样本相关阵 其中： 增广的样本相关矩阵 2、残差 残差向量 协方差矩阵 残差满足关系式： 矩阵形式为： 一、参数估计量的性质 第三节 参数估计量的性质 第三章 多元回归分析 一、参数估计量的性质 是随机变量 y 的一个线性变换。 是β 的无偏估计， 当 p=1时，即为一元线性回归的情况。 一般不是对角 的推广，反映了估计量 的波动大小。 是回归系数 矩阵，所以各分量 之间有一定 的联系——波动情况、相关程度。 回归系数向量状况的影响因素类似一元情况， 为了分析回归系数各分量之间的相关程度， 以一元线性回归为例， 的相关阵为： 高斯-马尔科夫定理 (1)取常数向量 (2)在正态分布假设下 一、F 检验 第四节 回归方程的显著性检验 第三章 多元回归分析 二、回归系数的显著性检验 三、回归系数的置信区间 四、拟合优度 一、F 检验 平方和分解式: SST = SSR + SSE SST ：总平方和 SSR ：回归平方和 SSE ：残差平方和 由 x 的变化引起 随机变化引起 原假设 对立假设 至少有一个成立。 构造F 统计量 假设 H0 F 值 自由度 平方和 方差来源 回归 SSR p 残差 SSE n-p-1 总和 SST n-1 均方 SSR SSE 方差分析： F 值 自由度 平方和 方差来源 SSR 1430.60 2 F = 87.88 F0.01(2,10)=7.36 SSE 81.3992 10 SST 1512 12 均方 715.30 8.1399 方差分析表 在α=0.01的水平下，以上回归方程是显著的。 (1)由于： 二、回归系数的显著性检验 原假设 对立假设 则 xj 是显著的。 统计量 其中： 【例3.1(续)】对回归系数进行显著性检验。 假设 检验统计量 其中 △jj 是△中划去 j 行 j 列后的子行列式。 查表取临界值 说明 x1与 x2均对 y 有显著影响。 二、回归系数的显著性检验(2) 残差平方和为SSE，回归平方和为SSR。 从F-检验的角度考察自变量xj 的显著性： y 对自变量 x1 ，x2 ，…， xp 线性回归的 剔除 xj 后， y 对剩余n-1个自变量作线性回归 残差平方和为SSE(j)，回归平方和为SSR(j) 。那么 自变量 xj 对回归的贡献为： △SSR(j) =SSR-SSR(j) ( xj 的偏回归平方和) 二、回归系数的显著性检验(2) 从F-检验的角度考察自变量xj 的显著性： △SSR(j) =SSR-SSR(j) ( xj 的偏回归平方和) 构造偏 F 统计量： →tj2 三、回归系数的置信区间 则βj 的置信度为1-α的置信区间为 由于 【例3.1(续)】对回归系数进行显著性检验。 则β1 的置信度为0.95的置信区间为1.0683±0.19806 则β2 的置信度为0.95的置信区间为4.0022±1.85192. 四、拟合优度 1、决定系数 【例 3.1(续)】 2、复相关系数 另外 说明R是F的