回归分析与结果的说明 2.doc

本人仍然用这个例子。目的是完成昨天还没有说完的各种统计量 20头黄牛的数据如下 体长 胸围 体重 151.5 186 462 156.2 186 496 146 193 458 136.1 193 463 146.2 172 388 149.8 188 485 155 197 456 144.5 175 392 147.2 175 398 145.2 185 437 138 172 378 142.5 192 446 141.5 180 396 149 183 426 154.2 193 506 152 187 457 158 190 506 146.8 189 455 147.3 183 478 151.3 191 454 Anovab 模型 平方和 df 均方 F Sig. 1 回归 21674.093 2 10837.046 23.618 .000a 残差 7800.457 17 458.850 总计 29474.550 19 　 模型 非标准化系数 标准系数 B 标准 误差 试用版 1 (常量) -569.131 149.940 　 2.679 .910 .395 胸围 3.341 .714 .628 t Sig B 的 95.0% 置信区间 下限 上限 -3.796 .001 -885.476 -252.787 2.943 .009 .759 4.600 4.678 .000 1.834 4.847 相关性 共线性统计量 零阶 偏 部分 容忍度 VIF 　 　 　 　 　 .581 .367 .863 1.159 .775 .750 .584 .863 1.159 共线性诊断a 模型 维数 特征值 条件索引 方差比例 (常量) 体长 胸围 1 1 2.998 1.000 .00 .00 .00 2 .001 56.532 .00 .63 .74 3 .001 66.412 1.00 .37 .26 a. 因变量: 体重 怎样解决共线性问题？ 可以增加样本量，或者剔除不重要的自变量，或者重新抽取样本数据 其实，说白了，方差分析表看的就是最后的那个Sig值。什么平方和，自由度，均方，最后要的都是那个Sig值。目的就是检验零假设成立与不成立。这里只要知道零假设，就可以根据Sig值与显著性0.05的大小比较来判断，如果大于0.05，零假设成立，如果小于0.05，零假设不成立。原理一大堆，但是只要记住这个结果，知道零假设，任何方差分析表都可以驾驭。本回归中的零假设为回归系数是零，也即是回归方程不成立。但是本例中结果为0.000，说明零假设不成立，回归方程有意义。 B为非标准化回归系数。也称偏回归系数。是在控制其他变量后得到的。只有当所有的自变量统一时，它们才有可比性。由方差分析结果可知，；偏回归系数至少有一个显著。说白了，这个系数就是回归方程自变量的系数和常数。可以由这个系数得到回归方程。本例中为。 Y=-569.131+2.679X1+3.341X2 T为偏回归系数为0的假设检验的t值，具有较好的预测效果的变量t值应该大于2或者小于-2，本例中都大于2 回归的假设检验的Sig都小于0.05.说明都有统计意义。 容忍度其值介于0到1之间，其值越小，自变量与其他自变量之间共线性的关系越强，，但是使用容忍度需要观测量一定要服从正态分布 VIF指的是方差膨胀因子，就是容忍度的倒数。其值越大，共线性越强。本例中VIF都比较小，所以，几乎没有共线性。 当若干特征值较小并且接近0时，说明某些变量之间存在很高的相关性，这些变量的观测量出现较小的变化时，会导致回归系数较大变化。本例中说明特征值都接近0. 其值越大，说明共线性可能越大，大于等于30有严重共线性，本例即是