第九讲 回归分析-一元线性回归.pptVIP

残差图成曲线形式，表明score和day之间可能存在曲线而非直线关系。 线性关系下的残差图 （3）对两变量按指数函数关系进行回归，并画出残差图 由score和day之间的散点图可假定模型形式为指数 函数，即 proc reg graphics; model scoreln=day/r; plot r.*day;run; 回归方程显著，截距项和day的回归系数都显著不为0。 且 R-Square=0.9610大于第一个模型R-Square =0.9057 Root MSE=0.09537也远小于第一个模型12.39506 业务表现评分与培训天数指数函数关系下回归结果 残差图也表明符合线性回归模型的基本假设。 故用指数函数来拟合模型比较合适，方程为: 即 指数函数关系下的残差图 例4、下面来研究一下1950年到1966年17年间，英国工资率的每年变化百分比和失业率之间统计数据，试确定两者之间的关系。 菲利普斯曲线：描述工资变化率或物价变动率与失业率之间的关系，具有双曲线所具有的性质 本例课假设所需拟合模型为： data philips; input inflat nojob@@; dnojob=1/nojob; cards; 1.4 1.8 1.1 8.5 1.5 8.4 1.5 4.5 1.2 4.3 1.0 6.9 1.1 8.0 1.3 5.0 1.8 3.6 1.9 2.6 1.5 2.6 1.4 4.2 1.8 3.6 2.1 3.7 1.5 4.8 1.3 4.3 1.4 4.6 ; proc gplot; plot inflat*nojob; run proc reg graphics; model inflat=dnojob/r dwprob; plot r.*dnojob=*; run; Dwprob 要求计算DW值 散点图也表明两变量间具有双曲线的关系 proc gplot; plot inflat*nojob; run; 工资变化率与失业率倒数线性回归结果 F值=3.35，对应的概率0.0873，在0.05的显著性水平下应接受 原假设：变量间不存在线性关系。 Durbin-Watson D = 1.060 说明误差项存在正相关 标准化残差中第1和第14个观测的值分别为-2.155和2.265，且 Cook-D统计量值也比较大，可判断这两个值可能为异常点。 残差图 残差图也显示有两个点在直线+2和-2之外，且残差之间表现出 明显的自相关性。 剔除两个异常点后重新拟合模型 剔除异常点后工资变化率与失业率倒数线性回归结果 F值=12.81，对应的概率0.0034，在0.05的显著性水平下认为 变量间存在线性关系。 且参数显著性检验结果显示常数项和dnojob的系数都显著不为0. R-square=0.4963 Root MSE=0.19724也比剔除前的0.1824和0.28028有明显的改善。 标准化残差都在-2和2之间，且 Cook-D统计量值除了第10个观测0.735稍大外，其它都小于0.5. 说明剔除异常点后拟合较好，最终可建立回归方程： 下面是10个主要啤酒品牌的广告费用（百万美元）和销售量（百万桶）的数据： Brand Media Expenditures ($M) Shipments in bbls. (M) Budweiser 120 36.3 Bud Light 68.7 20.7 Miller Lite 100.1 15.9 Coors Light 76.6 13.2 Busch 8.7 8.1 Natural Light 0.1 7.1 Miller Genuine Draft 21.5 5.6 Miller High Lite 1.4 4.4 Busch Light 5.3 4.3 Milwaukees Best 1.7 4.3 根据这些数据建立估计回归方程 应用残差分析来判断是否存在异常值或有影响的观察值，简要概括你的发现和结论 data armand; input brand $20. expend sales; cards; Budweiser 120 36.3 Bud Light 68.7 20.7 Miller Lite 100.1 15.9 Coors Light 76.6 13.2 Busch 8.7 8.1 Natural Light 0.1 7.1 Miller Genuine Draft 21.5 5.6 Miller High Lite 1.4 4.4 Busch Light 5.3 4.