第十二章多元回归分析.ppt

向后剔除 (backward elimination) 先对因变量包括所有k个自变量的回归模型。然后去掉一个自变量 ，这个自变量是使模型的SSE值减小最少的自变量，被挑选出来并从模型中剔除 如此反复进行，一直将自变量从模型中剔除，直至剔除一个自变量不会使SSE显著减小为止 逐步回归 (stepwise regression) 将向前选择和向后剔除两种方法结合起来筛选自变量 在增加了一个自变量后，它会对模型中所有的变量进行考察，看看有没有可能剔除某个自变量。如果在增加了一个自变量后，前面增加的某个自变量对模型的贡献变得不显著，这个变量就会被剔除 按照以上方法不停地增加变量并考虑剔除以前增加的变量的可能性，直至增加变量已经不能导致SSE显著减少 在前面步骤中增加的自变量在后面的步骤中有可能被剔除，而在前面步骤中剔除的自变量在后面的步骤中也可能重新进入到模型中 变量个数 1、CP 法（Mallow’s Cp Statistic） 赤池信息（Akaike information criterion, AIC）准则和施瓦茨（Schwarz criterion，SC）准则 这两准则均要求仅当所增加的解释变量能够减少AIC值或AC值时才在原模型中增加该解释变量。 含有虚拟自变量的回归 虚拟自变量(dummy variable) 用数字代码表示的定性自变量 虚拟自变量可有不同的水平