[专业课]卫生统计学 多重线性回归与相关.pptVIP

多重线性回归与相关 其是研究一个因变量和多个自变量之间线性关系的统计学分析方法，是简单回归与相关的的延续与拓展。 多重线性回归模型 多重线性回归模型的应用所需满足如下条件 １．变量Y与X1、 X2 、X3．．．．．． Xk之间有线　　　　性关系 ２．各例观测值Yi相互独立 ３．残差 e 服从均数为０,方差为?2的正态分布,它等价于对任意一组自变量X1、 X2 、3．．． Xk值，Y具有相同方差，且服从正态分布． 即前提条件：线性、独立、正态和等方差 LINE 多重线性回归分析步骤 １．建立回归方程： 　　＝b0＋ b1X1 ＋ b2 X2 ＋b3X3 ＋…. bkXk ２．回归方程及各自变量作假设检验，并对方程的拟合效果及各自变量的作用大小作出评价 多重线性回归的建立 与直线回归相同，多元线性回归模型的参数也是采用最小二乘法得到。 Q = ????Y?2 = ?[?? ? b0＋ b1X1＋b2 X2 ＋ …+bmXm ?]2 使Q达到最小，解方程组求出b1 、b2 、b3… bm b0 = ? ? b1X1＋b2 X2 ＋ …+bmXm ? 最后得到方程 ＝b0＋ b1X1 ＋ b2 X2 ＋b3X3 ＋…. bkXk 多重线性回归方程的假设检验及评价 一　整体回归效果的 F检验 　　　　　——方差分析法 .采用方差分析法（回归方差分析） 根据Ｆ分析准则，将y 的变异作分解： 　　Lyy ＝ SS总 ＝ SS回归　　＋　 SS剩余 F检验统计量的定义 回归平方和，反映的是由模型中解释变量所解释的那部分离差的大小 残差平方和，反映的是样本观测值与估计值离差的大小，也是模型中解释变量未解释的那部分离差的大小。 变量的定义（续1） 总体平方和，反映样本观测值总体离差的大小： Y的总变差= 模型中解释变量未解释的那部分离差的大小 +模型中解释变量所解释的那部分离差的大小 多重线性回归方程的假设检验及评价 二　偏回归系数的 t 检验 　　各自变量的假设检验及评价 １.偏回归平方和 　２.偏回归系数的 t 检验值 　　３.标准化回归系数 复相关系数与偏复相关系数 复相关系数：当多个自变量对应一个应变量时，用复相关系数表示变量Y与k个自变量(X1,X2,…,Xk)的线性相关的密切程度。用R表示 偏相关系数：则是扣除其他变量的影响后，变量Y与X的相关的方向与强弱程度，称为Y与X的偏相关系数。 决定系数R及调整的Rc 定义统计量： 含义：被解释变量所解释的部分占总体离差的大小。 越大越好，但是不会超过1。 缺点：如果在模型中增加一个解释变量，模型的解释功能增强了， 就增大了。这就给人一个错觉：要使得模型拟合得好，就必须增加解释变量。 调整的决定系数 定义统计量（续1） 改进的拟合优度统计量： 其中 为残差平方和的自由度 为总体平方和的自由度。 结论 是一个介于0到1 之间的数，越接近于1说明回归拟合效果越好。 一般情况下，如果 的取值超过0.8，认为模型的拟合优度比较高。 修正的 统计量，考虑了精度和变量数量个因素，兼顾了精确性和简捷性。 * *