复回归分析简介MultipleRegressionAnalysis回归分析是利用一个.DOC

複迴歸分析簡介 (Multiple Regression Analysis) 迴歸分析是利用一個或一組自變數來預測或解釋一個(反)應變數(response variable)，其中自變數又可稱為預測變數(predictors)、解釋變數(explanatory variables)、控制變數(controlled variables)、或獨立變數(independent variables)等等，而應變數又可稱為(相)依變數(dependent variable)。在迴歸模式裡，若只有一個自變數，且自變數與應變數的關係為直線相關，則此迴歸模式稱為簡單線性迴歸模式(simple linear regression model)；若模式裡至少有二個自變數，且在其它自變數固定之下，每個自變數與應變數的關係是直線相關，則此迴歸模式稱為複迴歸模式(multiple regression model)，以下是複迴歸分析的簡介。 A. 複迴歸模式 (Multiple Regression Model)： 其中y為應變數，為k個自變數，為(y)截距(intercept)，為迴歸係數(coefficients of regression)，和為誤差變數或稱為誤差項(error term)。 B. 模式假設 (Model’s Assumptions)： 給定為任意值，值獨立 = 不同的y值獨立 (觀察值獨立的假設) 2) 的期望值為0 = y的期望值為 (直線性假設) 3) 的變異數為σ2 = y的變異數為σ2 (同質性(homogeneous)假設) 4) 的機率分佈為常態 = y的機率分佈為常態 (常態分佈假設) 下圖為以簡易線性迴歸來說明此模式的假設： 給定x 為固定值(如圖的x = 10, 20, 或30等等)：y的機率分佈皆為常態分佈或鐘狀分佈(如圖的每個紅色曲線)；每個常態分佈的形狀大小皆相同---同質性假設；所有對應的y之期望值(或母體平均數)為(如圖y的母體平均數落在綠色直線上，例如當x = 10，y的母體平均數為、)。 C. 估計的迴歸方程式 (Estimated Regression equation)： (注意：此方程式不含誤差項！= y的估計值，= 截距的估計值，分別為迴歸係數的估計值。 又有二種解釋：(1) y期望值(expected value of y)的估計值和(2) y個別值(individual value of y)的估計值。不論是當y期望值的估計值或是當y個別值的估計值，的期望值皆相同為，的變異數在這二種情況下卻不同，的變異數在當作y期望值的估計值比當y個別值的估計值來得小；換言之，雖然兩種情況下的y估計值都相同，但估計y期望值時，變異數較小(較精確)，而估計y個別值時，變異數較大(較不精確)。 D. 模式假設的檢查 (Checking Model’s Assumptions)： 殘差(residuals) e定義為y觀察值減去y估計值，即，(或標準化的)畫在水平軸和殘差(或標準化的殘差)畫在縱軸。 (1)檢查常態假設：利用殘差(或標準化的殘差)，可畫其直方圖，若圖形略似 鐘狀，則無法拒絕常態分佈假設。另外也可畫PP圖，若點分佈愈接近450 度線，則無法拒絕常態分佈假設(如下圖)。 (2) 檢查直線性、同質性和獨立性假設：若殘差圖的點以水平軸為中心散佈， 且水平軸中的不同(或標準化的)值所對應的縱軸殘差(或標準化的殘 差)值約略相同，則無法拒絕模式的直線性、同質性和獨立性假設(如下 圖)。 若殘差值隨值遞增(或遞減)，或殘差值隨值上下規則變動，則觀察值不獨立(可能是觀察值與時間有關)，如下圖。 若殘差圖呈現「漏斗狀」(如下圖)，當值小，殘差變異小(或大)、而當值大，殘差變異大(或小)，則同質性假設不成立。 當只有一個自變數時，若殘差圖呈現拋物線狀(如下圖左)，則模式應加入高階自變數(如x2)、或呈規則上下變動(如下圖右)，則模式應加入更高階自變數(如x3)。 E. 判定係數 (Coefficient of Determination)： 迴歸模式裡所有自變數合起來解釋到應變數y之變異的比例，稱為判定係數，用表示，故值介於0到1之間，值愈接近1，表示模式裡所有自變數合起來解釋y之變異愈有貢獻。但的缺點是模式裡加入愈多的自變數，其值愈增加，即使某些自變數本身對解釋y之變異沒有多大貢獻。為了因自變數個數增加，而導致值遞增，我們需把自變數個數納入判定係數的考量裡，而得到調整的(Adjusted )，用表示。註：值不會大於值。當模式有k個