剖析回归方程显著性检验.pptVIP

在实际问题中，我们不能预先断定因变量 y 与自变量 x1， x2 ，… ， xp 之间是否确有线性关系。在求线性回归方程之前，线性回归模型只是一种假设。尽管这种假设常常不是没有根据的，但在求得线性回归方程后，还是需要对回归方程进行统计检验，以给出肯定或者否定的结论。 回归方程显著性检验 * 如果因变量 y 与自变量 x1， x2 ，… ， xp 之间不存在线性关系，则模型 中，参数β为零向量，即有原假设： 将此假设作为上述模型的约束条件，进行假设检验。 显著性假设 * 求得统计量 在原假设成立时，统计量 F 应服从 F ( p , n - p -1) 分布 S剩称为称剩余平方和或残差平方和 * 故选择显著水平α （估计总体参数落在某一区间内，可能犯错误的概率）后，可用F 检验法检验原假设： 式中：大括号内为拒绝域 上式意思即为在满足拒绝域内 F 分布的条件下，假设H0 发生的概率。 若上式成立，即认为在显著水平α下，因变量 y 与自变量 x1 有显著的线性关系，回归方程是显著的，反之则是不显著的。 显著性检验 * 某次观测中，每次观测平均值 y 与相应的数据个数 x 之间的关系的一组数据： x 20 25 30 35 40 50 60 65 70 75 80 90 y 1.81 1.70 1.65 1.55 1.48 1.40 1.30 1.26 1.24 1.21 1.20 1.18 令 x1= x，x2= x2 ，则上式可写成 画出散点图如图，选取模型来拟合它： 例： * 这是一个二元线性回归模型，现在： * 经计算： 即得正规方程组的解为： * 于是得到回归方程为： 因为模型只是一种假定，为了考察这一假定是否符合实际观察结果，需要进行以下的假设检验： 若在水平α下拒绝 H0 ，我们就认为回归效果是显著的。 回归方程显著，并不意味着每个自变量 x1，x2，…，xp 对因变量 y 的影响都显著，所以从回归方程中剔除那些可有可无的变量，重新建立更为简单的线性回归方程。 * 分析: 如果某个变量 xj 对 y 的作用不显著,则模型 中它前面的系数βj 就应该取为零，因此,检验因子 是否显著的原假设应该为： H0： βj =0 由模型可估算求得： 式中， cjj为矩阵 (xT x)-1 中主对角线上第 j 个元素。 * 于是在原假设成立时,统计量 组成检验原假设的统计量 * 统计量 它在原假设成立时服从 F (1，n-p-1) 分布。其中，分子 通常又称为因子 xj 的偏回归平方和。 选择相应的显著水平α ，可查得分位值F1-α,p,n-p-1 ，若统计量 |F|≥ F1-α,p, n-p- 1 ，则认为回归系数 在置信度1- α下是显著的，否则是不显著的。 * 注意： 在进行回归因子显著性检验时，当从原回归方程中剔除一个变量时，由于各因子之间的相关性，其他变量的回归系数将会发生变化，有时甚至会引起符号的变化，因此，对回归系数进行一次检验后，只能剔除其中的一个因子，然后重新建立新的回归方程，再对新的回归系数逐个进行检验，重复以上过程，直到余下的回归系数都显著为止。 *