.数据分析PPT2.4.pptVIP

* 及其p值 设 中最小者对应的p值为 若 则无自变量被剔除,(2.67)为当前模型 若 则剔除对应变量.进一步考察余下的 变量是否该剔除, 一般不会 * 第3步 在第2步所选模型基础上，将未在模型中的自变 量逐个添加到该模型中，计算相应的偏F统计量 的值及其p值,再这些统计量中最大者对应的p值 与αE比较以决定是否有自变量可引入到当前模 型中，若无变量引入，则结束！若有变量添加， 则拟合相应模型并计算在模型中的各自偏F统计 量的值及p值，再这些统计量中最小者对应的p值 与αD比较以决定是否有自变量可被删除，若有， 则拟合此模型并类似讨论直到没有变量被删除。 重复以上步骤直到无添无剔为止得最优回归模型 * SAS系统中，proc reg过程具有逐步回归法的 选项： Model dependent=regressors/ selection=stepwise slentry=value slstay=value 默认αE=αD=0.15也可以指定其值(αE≤αD)。 例2.10 对例2.8,病人生存时间的Box-Cox变换 变量Z与X1,X2,X3,X4的线性回归模型是合理， 试通过逐步回归法选择最优回归方程. * data examp2_10; /*建立数据集*/ input x1-x4 y; cards; 数据略！ data a; /*做Box-Cox变换*/ set examp2_9; yy=(y**0.07-1)/0.07; run; /*利用reg的逐步回归法选择项拟合最优模型 αE=αD=0.05*/ proc reg data=a; model z=x1-x4/ selection=stepwise slentry=0.05 slstay=0.05 details; run; * Stepwise Selection: Step 1 Variable Tolerance R-Square F Value Pr F x1 1.000000 0.1233 7.31 0.0092 x2 1.000000 0.3528 28.34 .0001 x3 1.000000 0.4388 40.67 .0001 x4 1.000000 0.5355 59.94 .0001 Parameter Standard Variable Estima Error TypeIISS FValue Pr F Intercept 4.42093 0.23525 137.11090 353.16 .0001 x4 0.61908 0.07996 23.27156 59.94 .0001 因为x4的偏F值最大且P0.05，所以x4进入模型, 拟合Y与x4的模型后，计算偏F统计量的值和p值 由于偏F的p值小于0.05，不能删除x4 * Stepwise Selection: Step 2 Variable Tolerance R-Square F Value Pr F x1 0.747578 0.5358 0.04 0.8425 x2 0.863820 0.6569 18.05 .0001 x3 0.826591 0.6903 25.49 .0001 Parameter Standard Variable Estima Error TypeIISS FValue Pr F Intercept 3.41749 0.27770 39.97099 151.45 .0001 x3 0.01844 0.00365 6.72845 25.49 .0001 x4 0.46661 0.07252 10.92777 41.40 .0001 因为x3的偏F值最大且P0.05，所以x3进入模型, 拟合Y与x3,x4的模型后，计算它们的偏F统计量 的值和p值则x3的偏F最小且其p值小于0.05，不 能删除变量 * Stepwise Sel