多元线性回归预测法课件.ppt

多元线性回归预测法;一、多元线性回归模型;对一个实际问题，如果我们获得n组观测数据（xi1,xi2,…,xip;yi), i=1,2,…,n，则线性回归模型式（4-20）可表示为;其中;二、估计回归参数;由极值原理，根据矩阵求导法则，对B求导，并令其等于零，则得;2. 二元线性回归方程回归系数的估计;(4-28);以上计算公式较繁，较易算的计算公式为;三、多元回归模型的检验;复相关系数检验的步骤为：;第二步，根据回归模型的自由度n-p和给定的显著性水平值 查相关系数临界表，得 值;2. 拟合优度检验;定义一个校正R2，记为;3. 回归方程的显著性检验—F检验;第二步，对给定的显著性水平 ，查F分布表，得临界值;回归系数的显著性检验——t检验 检验假设;第二步，计算样本标准差 式中 Cjj 为矩阵 (X’X)-1 对角线上第j个元素。 第三步，计算 t 统计量;第四步，对给定的显著水平 ，查自由度为n-p的t 分 布表，得 。 第五步，判断。若 ，则回归系数 与零 有显著差异，必须保留 在原回归方程中，否则应 去掉 重新建立回归方程。;5.自相关检验—DW检验 （1）DW检验 ; 在大样本情况下，即n30，可以认为 所以上式可以写成 （4-48） R1是 与 的相关系数 的估计量。当 与 正自相关时， R1 1,DW 0；当 与 负相关时， R1 -1,DW 4；若不存在自相关或相关程度很小时， R1 0,DW 2 。从式（4-48）可以看出，DW值在0~4之间。 ;根据DW统计量，检验模型是否存在自相关，其步骤如下： 第一步，利用最小平方法求回归模型及残差 ； 第二步，利用式（4-46）、（4-47）或（4-48）可以计算DW 统计量； 第三步，确立假设 ，即假定回归模型不存在自相关； 第四步，根据给定的检验水平及自变量个数p从DW检验表中查得相应临界值 。 第五步，判断。DW的取值域在0~4之间。 在 DW小于等于2时， DW检验法则规定： 如DW 认为 存在自相关； 如DW ,认为 无自相关； 如 DW ,不能确定 是否存有自相关;在DW大于2时， DW检验法则规定： 如4- DW4, 认为 存在负自相关； 如4- DW ，认为 无自相关； 如 4 - DW ，不能确定 是否有自相关。 由图4-2可以看出， 值等于2时为最好。根据经验， DW统计量在1.5~2.5之间时表示没有显著自相关问题。; 从图4-2可看出,DW检验的最大弊端是存在着无结论区域。无结论区域的大小与样本容量n和自变量个数p有关。当n一定时，p愈大，无结论区域也愈大；当p一定时，n愈大，无结论区就愈小。如果计算的DW统计量落到了无结论区域，那么，决策者就不能做出回归模型是否存在自相关现象的结论。;（2） 产生自相关的原因及补救办法;6. 多重共线性检验;四、预测区间;（3）当预测值 的显著性水平为 时，多元线性回归模型的预测区间为;五、标准化回归系数;计算 的另一种计算方法为;案例 ;表4-5 二元回归分析计算表;时期（i）;解 （1）设饮料销售量为y，气温为x1，比分差为x2，则二元回归模型为 （2）计算回归系数。;所求回归预测模型为：;（3）R检验;(4) 拟合优度检验;(6) t检验; 当显著水平 =0.05时，t0.05/2（10-3）=2.365 因为 ?? 均大于t0.05/2（7）=2.365， 故拒绝假设b1=0和b2=0。因此可以断言，气温和比分差对饮料销售量有显著影响。;(7) DW检验; 当显著水平 =0.05，p=3,n=10时,查DW检验表，因DW检验表中样本容量n最低为15，故取dL=0.82