多元线性回归模型应用实例.ppt

谢 谢！ （二）回归方程的显著性检验 对于一元线性回归模型，回归参数的显著性与回归方程的显著性是等价的，而对于多元线性回归模型，单个回归参数是显著的并不等于整个回归方程是显著的，因此还要作回归方程的显著性检验。 回归方程的显著性检验也称为F –检验，也是一种假设检验。 F –检验是检验所有解释变量合起来对被解释变量线性影响的显著性，单个解释变量对被解释变量的线性影响是显著的，合起来之后即线性组合对被解释变量的影响未必是显著的，这相当于我们通常所说的整体效率。因此对于多元模型，回归方程的显著性检验与回归参数显著性检验是不能相互替代的， 即使对回归方程中每个参数分别进行的t - 检验都不显著，F –检验也可能是显著的。比如当解释变量之间高度相关时就可能出现这种情况，其结果可能是参数的标准差大而t值小，但整个模型仍然能对数据拟合得很好。  （三）拟合优度检验及修正的R2值 在一元线性回归模型中，我们用样本决定系数来衡量回归方程对样本观察值的拟合程度，即拟合优度检验，这一方法对多元线性回归模型仍然适用。 与一元线性模型类似，可以证明： TSS = ESS + RSS 即样本总离差可以分解为回归总离差与残差平方和之和。 令： 称R2为多元线性回归模型的样本决定系数，也称为样本可决系数。R2表示被多元回归方程“解释”的离差占总离差的比重。显然 由R2的定义可以看出，当R2越接近于1时，说明ESS 越接近于TSS，即残差平方和越小，也就是说回归方程对样本观察值拟合的越好，因此，我们以R2接近于1的程度来衡量样本回归方程对样本观察值的拟合的优度，即拟合优度检验，用来说明解释变量与被解释变量之间的线性回归关系是否有效。 （三）拟合优度检验及修正的R2值 然而，在使用R2时也存在一些问题，比如，R2与模型中解释变量的个数有关。在回归方程中加入更多的解释变量会使R2值增大（增加新的解释变量不会改变TSS，但是可以增加ESS），因此，给人一种误解，为提高拟合优度，解释变量越多越好，但事实上并非如此。用R2度量拟合优度的问题在于R2只涉及Y的总离差中被解释的部分和未被解释的部分，没有考虑自由度的个数。为了消除拟合优度对模型中解释变量个数的依赖性，我们定义修正的R2值，记作 ： （三）拟合优度检验及修正的R2值 可以推得： 1． 2． 可能为负值； 3. 当模型的自由度（n-k）较大时，R2与 比较接近。 （三）拟合优度检验及修正的R2值 由R2及 的定义可知： 比R2更适合于衡量拟合优度。当回归模型中加入新的解释变量时，R2肯定会增加，而 可能增加也可能减少。比如，一个样本容量为25的模型，其R2为0.8，但这个结果只是在模型中包含了17个解释变量时才得到。而该模型的 仅为0.4，这一例子充分说明了R2作为衡量拟合优度指标的局限性。 在实际应用中，由于大多数情况下， 与R2之间的差异不太大，故使用R2作为衡量拟合优度的情况也常见。 （三）拟合优度检验及修正的R2值 拟合优度检验与F –检验是有联系的。可以证明： （三）拟合优度检验及修正的R2值 由此可知R2越接近于1，则F值越大，反之，若R2越接近于0，则F值越小。因此，一般来说，拟合优度较高，则F检验可以通过，拟合优度较差，则F—检验通不过。但是，拟合优度检验与F–检验还是有区别的，有例子表明，即使拟合优度只有0.65，F–检验也是显著的。因此，虽然二者有联系，但是也不能相互替代。F–检验的优越性在于它有临界值，可以断定显著与否，而拟合优度的好处在于它能说明拟合的程度，它的不足之处在于没有拟合好与坏的明确标准，一般来说，拟合的好坏视具体问题而定，但是，一个好的模型首先拟合优度要求比较高，从经验上讲，R20.9。不过拟合优度高并不能断定模型一定可取，较高的拟合优度是一个好模型的必要条件，但不是充分条件。 （三）拟合优度检验及修正的R2值 Eviews软件输出结果中R 2及校正R 2 （四）各种检验的关系 １、经济意义检验和其他检验的关系联系： 判断一个回归模型是否正确，首先要看模型是否具有合理的经济意义，其次才是统计检验。 （四）各种检验的关系 2、拟合优度和F－检验的关系： （1）都是对回归方程的显著性检验； （2）都是把总平方和分解，以构成统计量进行检验； （3）两者同增同减，具有一致性。 区别： （1）F－检验中使用的统计量有精确的分布，而拟合优度检验没有；