SAS GLM流程.ppt

Sas软件----GLM过程;Sas软件----GLM过程;Sas软件----GLM过程;Sas软件----GLM过程;Sas软件----GLM过程;Sas软件----GLM过程;Sas软件----GLM过程;Sas软件----GLM过程;Sas软件----GLM过程;Sas软件----GLM过程;Sas软件----GLM过程;Sas软件----GLM过程;Sas软件----GLM过程;Sas软件----GLM过程;Sas软件----GLM过程;Sas软件----GLM过程;Sas软件----GLM过程;统计计算;统计计算;统计计算;统计计算;统计计算;统计计算;统计计算;统计计算;统计计算;统计计算;3、控制标准假设检验方面的选项;3、控制标准假设检验方面的选项（续）;4、预测值与残差值的选项;5、显示中间结果;6、调整模型;统计计算;统计计算;统计计算;统计计算;统计计算;统计计算;统计计算;统计计算;统计计算;统计计算;统计计算;GLM过程实例1;GLM过程实例1;GLM过程实例1解释;GLM过程实例1解释;GLM过程实例1解释;GLM过程实例1解释;统计计算;统计计算;统计计算;第一节估计理论-参数的最小二乘估计 (一) 方法介绍 本章所介绍的是普通最小二乘法（ordinary least squares,简记OLS）; 最小二乘法的基本原则是：最优拟合直线应该使各点到直线的距离的和最小，也可表述为距离的平方和最小。 假定根据这一原理得到的α、β估计值为 、 ，则直线可表示为 。;直线上的yt值，记为 ，称为拟合值（fitted value）,实际值与拟合值的差，记为 ，称为残差（residual） ，可以看作是随机误差项 的估计值。 根据OLS的基本原则，使直线与各散点的距离的平方和最小，实际上是使残差平方和（residual sum of squares, 简记RSS） 最小，即最小化： ;根据最小化的一阶条件，将式2.4分别对、求偏导，并令其为零，即可求得结果如下 :;（二）一些基本概念 1.总体（the population）和样本（the sample） 总体是指待研究变量的所有数据集合，可以是有限的，也可以是无限的；而样本是总体的一个子集。 2、总体回归方程（the population regression function，简记PRF），样本回归方程（the sample regression function，简记SRF）。;总体回归方程（PRF）表示变量之间的真实关系，有时也被称为数据生成过程（DGP），PRF中的α、β值是真实值，方程为：;于是方程（2.7）可以写为： （2.9） 总体y值被分解为两部分：模型拟合值（ ）和残差项（ ）。;3.线性关系 对线性的第一种解释是指：y是x的线性函数，比如，y= 。 对线性的第二种解释是指：y是参数的一个线性函数，它可以不是变量x的线性函数。比如y= 就是一个线性回归模型， 但 则不是。 在本课程中，线性回归一词总是对指参数β为线性的一种回归（即参数只以一次方出现），对解释变量x则可以是或不是线性的。;有些模型看起来不是线性回归，但经过一些基本代数变换可以转换成线性回归模型。例如， ;4.估计量（estimator）和估计值（estimate） 估计量是指计算系数的方程；而估计值是指估计出来的系数的数值。;最小二乘估计量的性质和分布 （一） 经典线性回归模型的基本假设 （1） ，即残差具有零均值； （2）var ∞,即残差具有常数方差，且对于所有x值是有限的； （3）cov ，即残差项之间在统计意义上是相互独立的； （4）cov ，即残差项与变量x无关； （5）ｕt~N ,即残差项服从正态分布;（二）最小二乘估计量的性质 如果满足假设(1)－(4)，由最小二乘法得到的估计量 、 具有一些特性，它们是最优线性无偏估计量（Best Linear Unbiased Estimators，简记BLUE）。;估计量（estimator）：意味着 、 是包含着真实α、β值的估计量； 线性（linear）：意味着 、 与随机变量y之间是线性函数关系； 无偏（unbiased）：意味着平均而言，实际得到的 、 值与其