研《回归分析》理解简单.pptVIP

回归分析 回归分析 回归的涵义 回归分析的任务 回归分析时变量的设定 回归分析的被解释变量必须是刻度级的，如果是顺序级的，要用Numeric型的来表示。如果被解释变量是名义级的，将用Logistic回归等方法处理。 解释变量可以是刻度级、顺序级、名义级的变量，不论是什么级别的数据，都必须用Numeric型的来表示。 一元线性回归分析 多元线性回归分析 多元线性回归的检验与估计 多元线性回归的三大基本问题 多元回归的SPSS处理 逐步回归 逐步回归 异方差问题 检验异方差是否存在 用加权最小二乘法估计回归方程的系数 直接回归 （1）定义变量“储蓄/收入”和“1/收入” （2）进入一元线性回归过程 用加权最小二乘法估计回归系数 检验异方差是否得到改善 产生新的未标准化残差； 重新计算未标准化残差绝对值与收入倒数的等级相关系数，判别异方差性是否已经得到矫正。 得出回归方程。 用加权最小二乘法估计回归系数 方法一 此方法不能输出残差图，需要另外计算等级相关系数，检查异方差是否已经消除。 用加权最小二乘法估计回归系数 方法二 用SPSS处理序列相关 观察、检验序列相关； 试算序列相关形式，估计序列相关系数； 按照最佳序列相关形式，消除序列相关，得出估计值； 估计自相关系数的DW两步法。 试算序列相关形式，估计序列相关系数 产生2个新变量e(t-1)和e(t-2)，用SPSS中的transform Compute中的LAG函数产生； 用e(t)对e(t-1)回归，观察回归系数； 用e(t)对e(t-1)和e(t-2)回归，观察回归系数，选择回归效果相对好的回归系数，即为自相关系数。 按照最佳序列相关形式，消除序列相关，得出估计值； 用SPSS中的Transform Compute产生新变量，即用原变量(t)减去自相关系数乘以原变量(t-1)。回归分析中有几个变量，就相应产生几个变量。 对新变量进行回归，观察DW值是否已经得到改善。 估计自相关系数的DW两步法 若得出e(t)对e(t-1)的回归效果好，则对因变量(t-1)、原自变量及自变量(t-1)进行多元回归分析，找出自相关系数。 用自相关系数分别重新计算上一步的自变量和因变量，再对重新计算的自变量和因变量进行回归，则效果更好。 一元线性回归模型的设定 高斯假设 一元线性回归模型的求解 最小平方法 回归方程的显著性检验—F检验 回归效果的检验——判定相关系数检验 校正的判定系数Adjusted 回归效果的检验—F检验 回归系数的显著性检验—T检验 总体均值的置信区间 回归系数的置信区间 标准回归系数 多元回归的高斯假设 第一种方法 偏解释变差 偏解释变差（偏回归平方和）：在一个回归方程中，当把 xj从自变量的队伍中删除后，可得到一组新的回归系数的估计值， 从而得到Y新的计算值 则原回归平方和与新回归平方和的差就是xj对已解释变差（回归平方和）的贡献，称为xj的偏解释变差（偏回归平方和）。 第二种方法 第三种方法 人均收入与人均食品支出关系的散点图 一元线性回归模型的设定 人均收入与多孩率的散点图 1.总体回归模型： 2.样本回归模型： 样本回归直线： 总体回归直线： 即 服从 (1) (2) (3) (4) (5) (6) 。 分布。正态性假设； 为随机变量； 即所有随机误差都具有相同方差 随机扰动项协方差等于零， 相互独立。无序列相关假设； 独立性假设或零均值假设； 普通最小二乘法估计式 在模型中，代入样本观察值之后，可得 此式也可用向量、矩阵方式表达为 式中， 是 阶矩阵 这就是普通最小二乘法估计系数的公式。 若估计出 ， 则有 , 所以 于是有 两边左乘 , 得 由几何解释 , 故而上式中 , 所以可以求出 如下： ：回归方程不显著 ：回归方程显著 ：总离差平方和 ：剩余平方和/残差平方和 ：回归离差平方和 判定相关系数越接近1，表明回归平方和占总离差平方和的比例越大，用x的变动解释y 值变动的部分就越多，回归的效果就越好。 若全部观测值都落在回归直线上，则 若x完全无助于解释y的变动，则 ——F检验 校正的判定系数 统计量 中不含有自由度。所谓校正的判定系数是指“考虑了自由度的判定系数 ”。其定义如下： 剔除了自由度的影响。 式中： ：样本容量 ：自变量的个数(含常数项) ：判定系数 ～ 成立,即 当 时 显著异于0。 针对回归系数的 统计量的显著性检验决定了相 应的变量能否作为解释变量进入回归方程。 ～ 用 代替 可以得到统计量 ～ 给定一置信水平 区间 为 水平上的置信区间。例 ，则 即 标准化即剔除自变量单位的影响，是指对变量 进行如下处理： 转化为标准方程 于是原始方程 ， 式中： (1) 为随机向量 (2)