[经管营销]统计回归.ppt

（四） SPSS软件包逐步回归回归系数及检验 （五） SPSS软件包逐步回归残差直方图 （六） SPSS软件包逐步回归未进入方程的变量及检验 （七） SPSS软件包逐步回归残差正态概率P-P图 逐步回归的主要用途：1、建立一个自变量个数较少的多元线性回归方程，可用于描述某些自变量与某一医学现象间的数量关系，以及进行疾病的预测预报，辅助诊断等。 2、进行因素筛选，有助于从大量因素中筛选出对某一医学现象作用显著的因素和因素组，因此在病因分析和疗效分析中有着广泛的应用。 * * * 3.1.2 判定系数 判定系数的定义： 意义：判定系数越大，自变量对因变量的解释程度越高，自变量引起的变动占总变动的百分比高。观察点在回归直线附近越密集。 取值范围：0-1 3.1.3 校正判定系数 为什么要校正？ 判定系数随解释变量个数的增加而增大。易造成错觉：要模型拟合得越好，就应增加解释变量。然而增加解释变量会降低自由度，减少可用的样本数。并且有时增加解释变量是不必要的。 导致解释变量个数不同模型之间对比困难。 判定系数只涉及平方和，没有考虑自由度。 校正思路： 引进自由度校正所计算的平方和。 校正判定系数 （续） 3.2 回归方程的显著性检验 3.2 回归方程的显著性检验 检验的目的：检验Y与解释变量x1，x2，……xk之间的线性关系是否显著。 检验的目的 3.2 回归方程的显著性检验 检验的步骤 第一步，提出假设： 原假设：H0：b1=b2=……bk=0 备择假设：H1：bi不全为0 （i=1，２，…，k） 3.2 回归方程的显著性检验 检验的步骤 第二步，计算统计量： 或： （10-8） 3.2 回归方程的显著性检验 第三步，查表，得： 检验的步骤 3.2 回归方程的显著性检验 检验的步骤 第四步，做检验： 拒绝H0， 回归方程显著 接受H0， 回归方程不显著 检验 法则 3.3 回归系数的显著性检验 回归方程显著，并不意味着每个解释变量对因变量Y的影响都重要,因此需要进行检验： 回归系数检验的必要性 回归方程显著 每个回归系数都显著 3.3 回归系数的显著性检验 回归系数检验的步骤 第一步，提出假设： 原假设：H0： bi=0 (i=1，2，……k) 备择假设：H1：bi≠0 (i=1，2，……k) 3.3 回归系数的显著性检验 回归系数检验的步骤 第二步，构造并计算统计量 ： 3.3 回归系数的显著性检验 回归系数检验的步骤 第三步，查表得 ： 3.3 回归系数的显著性检验 回归系数检验的步骤 第四步，做检验： 接受H0 检验 法则 拒绝H0 3.3 回归系数的显著性检验 关于模型的异方差、自相关、多重共线性问题的检验，请参考计量经济学有关教材。 3.4 多元线性回归模型的预测 四 逐步回归分析 多元线性回归建立的回归方程包含了所有的自变量，但在实际问题中，可能有这样的情况：参加回归方程的P个自变量中，有些自变量单独看对因变量Y有作用（相关程度密切），但P个自变量又可能是相互影响的，在作回归时，它们对因变量所起的作用有可能被其他自变量代替，而使得这些自变量在回归方程中变得无足轻重。这时把这些自变量留在回归方程中，不但增加计算上的麻烦，而且不能保证有好的回归效果。为了克服这些缺点，提出了多元逐步回。 多元逐步回归要求回归方程中包含所有对因变量作用显著的自变量，而不包含作用不显著的自变量，从而建立最优回归方程。 1、强行进入法（Enter）:  预先选定的自变量全部进入回归模型，这是系统默认方式。2、消去法（Remove）: 根据设定的条件剔除部分自变量。 逐步筛选变量的方法： 3、向前引入法（Forward）:自变量由少到多一个一个引入回归方程，将与因变量的相关系数最大的第一个自变量选入方程并进行检验，如果F值Fa ，拒绝H0 ；将其余的变量中与因变量的相关系数最大的第二个自变量选入方程，当F值Fa ，拒绝H0 ；如此下去，不断引入新的自变量，直到不能拒绝H0，再没有变量被引入为止。 4、向后剔除法（Backward）:  自变量由多到少一个一个从回归方程中剔除，首先，对预先选定自变量全部进行回归，然后把对因变量影响不显著的自变量从方程中剔除并进行检验，如果F值Fa ，接受H0 ，一个一个剔除对因变量不显著的自变量，直到再不能剔除为止。 5、逐步引入—剔除法（Stepwise）:  向前引入法与向后剔除法的结合。 操作（一） 1 2 SPSS软件包逐步回归操作（二） 点击逐步回归 操作（三） 结果变量Y 多个自变量 点击逐步回归 操作（四） 回归系数估计 回归系数可信区间 模型拟合 操作