多元线性回归　.pptVIP

多元线性回归;多元线性回归;内容安排;多元线性回归模型与参数估计;参数的最小二乘估计;回归方程和偏回归系数的假设检验;偏回归系数的假设检验 回归方程的假设检验若拒绝H0，则可分别对每一个偏回归系数bj作统计检验，实质是考察在固定其它变量后，该变量对应变量 Y 的影响有无显著性。 H0： Bj=0 H1： Bj不为零 ?＝0.05 F ＝ （Xj 的偏回归平方和／1） / MS误差 Xj 的偏回归平方和：去Xj后回归平方和的减少量 若H0成立，可把Xj从回归方程中剔除，余下变量重新构建新的方程。 ;标准化偏回归系数和确定系数;确定系数： 简记为R2，即回归平方和SS回归与总离均差平方和SS总的比例。 R2 ＝ SS回归／ SS总 可用来定量评价在Y的总变异中，由P个X变量建立的线性回归方程所能解释的比例。 ;回归分析中的若干问题;如职业,分四类可用三个伪变量： y1 y2 y3 工人 1 0 0 农民 0 1 0 干部 0 0 1 学生 0 0 0;多元线性回归方程的评价 评价回归方程的优劣、好坏可用确定系数R2和剩余标准差Sy,x1,2..p 。 Sy,x1,2. p ＝SQRT（SS误差／n-p-1） 如用于预测，重要的是组外回代结果。 ;回归方程中自变量的选择;选择变量的统计学标准;选择变量的方法;向前引入法（forward selection) 自变量由少到多一个一个引入回归方程。将 corr(y , xj)最大而又能拒绝H0者，最先引入方程，余此类推。至不能再拒绝H0为止。 ;向后剔除法（backward selection) 自变量先全部选入方程，每次剔除一个使上述检验最不能拒绝H0者，直到不能剔除为止。 ;逐步引入－剔除法（stepwise selection) 先规定两个阀值F引入和F剔除，当候选变量中最大F值＞＝F引入时，引入相应变量；已进入方程的变量最小F＜＝F剔除时，剔除相应变量。如此交替进行直到无引入和无剔除为止。（计算复杂） ;多元线性回归方程的作用;例：测量16名四岁男孩心脏纵径X1（CM）、心脏横径X2（CM）和心象面积Y（CM2）三项指标，得如下数据。试作象面积Y对心脏纵径X1、心脏横径X2多元线性回归分析。 例：某科研协作组调查山西某煤矿2期高血压病患者40例，资料如下表，试进行影响煤矿工人2期高血压病病人收缩压的多元线性回归分析。;Logistic回归; 多元回归分析可用来分析多个自变量与一个因变量的关系，模型中因变量Y是边连续性随机变量，并要求呈正态分布。但在医学研究中，常碰到因变量的取值仅有两个，如药物实验中，动物出现死亡或生存，死亡概率与药物剂量有关。设P表示死亡概率，X表示药物剂量，P和X的关系显然不能用一般线性回归模型P＝B0＋B1X来表示。这时可用Logistic回归分析。;内容安排;Logistic回归模型; 以因变量D＝1表示死亡，D＝0表示生存，以P（D＝1／X）表示暴露于药物剂量X的动物死亡的概率，设 P（D＝1／X）＝e Bo+BX /(1+e Bo+BX ) 记Logit(P)=ln[p/(1-p)],则上式可表示为： Logit(P) ＝ Bo+BX 这里X的取值仍是任意的， Logit(P)的值亦在正负无穷大之间，概率P的数值则必然在0－1之间。 p/(1-p)为事件的优势， Logit(P)为对数优势，故logistic回归又称对数优势线性回归 ; 一般地，设某事件D发生（D＝1）的概率P依赖于多个自变量（x1,x2, …,xp)，且 P（D＝1）＝e Bo+B1X1+…+BpXp /(1+e Bo+B1X1+…+BpXp ) 或 Logit(P) ＝ Bo+B1X1+…+Bp X p 则称该事件发生的概率与变量间关系符合多元Logistic回归或对数优势线性回归。 ; logistic回归模型参数的意义;Logistic回归的参数估计;Logistic回归的假设检验;2、偏回归系数的显著性检验：目的是检验回归模型中自变量的系数是否为零，等价于总体优势比OR是否为零。 H0：B等于零