应用统计方法第四章-多元线性模型4学时.pptVIP

第四章 回归分析 多元回归方法：在众多的相关的变量中，根据问题的要求，考察其中一个或几个变量与其余变量的依赖关系。 多元回归问题：如果只考察某一个变量（常称为响应变量，因变量，指标）与其余多个变量（自变量或因素）的相互依赖关系。 多因变量的多元回归问题（多对多回归） 第一节 多元线性回归 残差序列的正态性分析： 通过绘制标准化残差序列的带正态曲线的直方图或累计概率图来分析，确定残差是否接近正态 返回 残差序列的随机性分析： 可以绘制残差序列和对应的预测值序列的散点图。如果残差序列是随机的，那么残差序列应与预测值序列无关，残差序列点将随机地分布在经过零的一条直线上下。 返回 残差序列的独立性分析： 分析残差序列是否存在后期值与前期值相关的现象。 D.W检验 返回 样本奇异值的诊断： 样本奇异值是样本数据中那些远离均值的样本数据点。它们会对回归方程的拟合产生较大偏差影响。 一般认为，如果某样本点对应的标准化残差的值超出了-3—+3的范围，就可以判定该样本数据为奇异值。 返回 异方差诊断： 线性回归模型要求残差序列服从等方差的正态分布 一般通过绘制残差序列与解释变量的散点图或计算残差与解释变量间的相关系数。 如果残差序列和解释变量的平方根成正比例变化，可以对解释变量作开方处理；如果残差序列与解释变量成比例变化，可以对解释变量取对数；如果残差序列与解释变量的平方成比例的变化，可以对解释变量求倒数。 还可以用WLS（加权最小二乘）法消除异方差。 返回 第二节 可化为多元线性回归的问题 第五节 岭回归(略) EX 1.对于实际数据，用线性回归模型解决本专业的一个实际问题。 2.参考习题P106 4-1，4-3 data data41; input x1 x2 y; n=_n_; cards; 120 100 102 140 110 100 190 90 120 130 150 77 155 210 46 175 150 93 125 250 26 145 270 69 180 300 65 150 250 85 170 160 . ; proc print; run; * 4-1(1)+(2)+(3) ; proc reg data=data41; model y=x1 x2 / r; output out=o41 cookd=d student=stu ; run; * 4-1(2) ; data r41(keep= n y d stu ); set o41; if abs(stu)=2 or abs(d) 4/10 ; run; proc print data=r41; id n; var y d stu; run; * 4-1(4) ; data da41; set data41; x3=x1*x1;x4=x1*x2;x5=x2*x2; run; proc print; run; proc reg data=da41; model y=x1-x5/selection=stepwise sle=0.10 sls=0.10; run; quit; data data43; input x1 x2 y; n=_n_; cards; 1.5 5.0 96 2.0 2.0 90 1.5 4.0 95 2.5 2.5 92 3.3 3.0 95 2.3 3.5 95 4.2 2.5 94 2.5 3.0 94 3.5 2.0 . ; proc print; run; * 4-3(1)+(2)+(3)+(4) ; proc reg data=data43; model y=x1 x2 / r; output out=o43 cookd=d student=stu ; run; * 4-3(2) ; data r43(keep= n y d stu ); set o43; if abs(stu)=2 or abs(d) 4/8 ; run; proc print data=r43; id n; var y d stu; run; data d431; input year x1-x5 y1 y2; cards; 1949 0.9 0.8 0.14 6.63 0.24 1.47 7.31 1950 1.0 2.1 0.15 7.07 0.46 1.25 7.42 1951 2.9