[PPT模板]13_多重回归.pptVIP

 多重线性回归与相关 多重回归(multiple linear regression)与多重相关(multiple correlation)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。 第一节 多重线性回归的概念及其统计描述 例13-1 为了研究空气中一氧化氮（NO）的浓度与汽车流量等因素的关系，有人测定了某城市交通点在单位时间内过往的汽车数、气温、空气湿度、风速以及空气中的NO的浓度，数据如表13-1所示。 回归参数的估计： 前提条件：LINE。 最小二乘法 (least square method)。 基本原理是：利用观察或收集到的因变量和自变量的一组数据建立一个因变量关于自变量的线性函数模型，使得这个模型的理论值和观察值之间的残差平方和尽可能地小。 第二节 多重线性回归的假设检验 偏回归系数的 t 检验 偏回归系数的 t 检验是在回归方程具有统计学意义的情况下，检验某个总体偏回归系数等于零的假设,以判断是否相应的那个自变量对回归确有贡献。 H0: βi = 0 H1: βi ≠ 0 第三节 复相关系数与偏相关系数 复相关系数的平方称为确定系数（coefficient of determination）, 或决定系数，记为R2，用以反映线性回归模型能在多大程度上解释反应变量Y的变异性。其定义为 复相关系数(multiple correlation coefficient) R 定义为确定系数的算术平方根，表示变量Y与k个自变量（X1,X2,…Xk）线性相关的密切程度。 调整的R2(Adjusted R-Square)：当回归方程中包含有很多自变量，即使其中有一些自变量（如本例中的X3 ）对解释反应变量变异的贡献极小，随着回归方程的自变量的增加，R2 值表现为只增不减，这是复相关系数R2的缺点。调整的R2记为 ,定义为 偏相关系数 暑假期间双胞胎兄弟大明和小明参加勤工俭学，大明在超级市场帮助卖冷饮，小明在游泳池收门票。每天晚上，二人闲聊。昨天大明冷饮卖得多，小明门票也收得多，今天，大明卖得少，小明门票也收得少。一个月下来，他们发现，超级市场冷饮销售量和游泳人数呈正相关。是不是爱吃冷饮的人想游泳？或爱游泳的人喜欢冷饮？ 偏相关系数 第四节 自变量筛选 为确保回归方程包含所有对反应变量有较大影响的自变量，而把对反应变量作用不大或可有可无的自变量排除在方程之外，这一统计过程称为自变量的选择。 一、自变量筛选的标准与原则 1. 残差平方和（SSE）缩小与确定系数（R2）增大； 2. 残差均方（MSE）缩小与调整确定系数（Ra2）增大 3. 统计量: 二、自变量筛选的常用方法 1. 所有可能自变量子集选择 (all possible subsets selection) ，又称全局择优法； 2. 前向选择（forward selection）； 3. 后向选择（backward selection）； 4. 逐步选择（stepwise selection）。 1. 全局择优法 根据某种变量的选择准则，通过比较各子集符合准则的程度，从中选择出一个或几个最优的回归，称为“最优子集回归”。 2. 前向选择（forward selection） 3. 后向选择 (backward selection) 4.逐步选择（stepwise selection） 第五节 多元线性回归的应用 及其注意事项 一、应用 二、应用条件 应用的注意事项 样本含量 统计“最优”与专业的“最优” 多重共线性 多重共线性的识别与解决办法 交互作用 几个相关系数的区别 小 结 1. 多重线性回归是简单线性回归的扩展，模型的前提假设、最小二乘原则都与简单线性回归分析相同。 2. 偏回归系数与标准偏回归系数； 3. 复相关系数、偏相关系数； 4. 确定系数和调整的确定系数； 5. 模型自变量的筛选方法和准则。 影响因素分析，控制混杂因素 预测：由自变量值推出应变量Y的值 控制：指定应变量Y的值查看自变量的改变量 观察个体数n与变量个数m的比例一般至少应为： n : m＝5～10 不同准则、方法得出的“最优”方程不同； 不同的引入、剔除标准获得的“最优”方程不同； 方程还受数据的正确性、共线性影响 自变量间存在着线性关系，使一个或几个自变量可以由另外的自变量线性表示时，称为该变量与另外的自变量间存在有共线性(collinearity)。 回归系数的符号与由专业知识不符 变量的重要性与专业不符 整个方程决定系数R2高，但