回归分析部分教程.pptVIP

DW检验方法 DW检验是一种适用于小样本的检验方 法，且只能用于检验随机扰动项具有一阶自回 归形式的序列相关问题。 应用DW检验方法，求出DW值后，根据样 本容量n和解释变量的数目k（包括常数项）查 DW分布表，得临界值dL和dU。 DW在[0，dL]，存在正相关； DW在（dL，dU]，不能判定是否有自相关； DW在（dU，4-dU），无自相关； DW在[4-dU，4-dL），不能判定是否有自相关 DW在[4-dL，4]，存在负相关。 当DW值在2左右时，无需查表即可认为模 型不存在自相关性。 DW检验的局限： 1. DW检验有两个不能确定的区域，一旦DW值落在这两个区域，就无法判断。这时，只有增大样本量或选取其他方法； 2. DW统计量的上、下界标要求n15； 3. DW检验不适应随机项具有高阶序列相关的检验。 自相关处理方法 若是回归模型选用不当造成自相关，则应改用适当的回归模型； 若是缺少重要的自变量，则应增加自变量； 若上述两种方法都不能消除序列相关性，则需采迭代法、差分法、科克伦-奥克特迭代法、普莱斯-温斯登迭代法等。 在实际应用中，自相关系数接近1时，我们采用差分法而不用迭代法。 一阶差分法是对原始数据的一种修正，但有时一阶差分法可能会过度修正，使得差分数据中出现负自相关的误差项，故从一定意义上说，差分法要慎用。只有当自相关系数等于1或者接近于1时，差分法效果才会好。 多重共线性检验 多重共线性产生的原因 客观地说，某一经济现象，涉及多个影响因素 时，这多个影响因素之间大都有一定的相关性。当这 种相关性较弱时，我们一般认为符合多元线性回归模 型的要求；当相关性较强时，认为是一种违背多元线 性回归模型基本假设的情形。 研究经济问题涉及时间序列资料时，容易出现共 线性；利用截面数据建立回归方程也尊在自变量高度 相关的情形。 多重共线性的诊断方法 方差扩大因子法 特征根判定法 直观判定法 消除多重共线性的方法 剔除一些不重要的解释变量 增大样本容量 回归系数的有偏估计（岭回归、主成分回归、逐步回归法、特征根法、偏最小二乘法等）。 回归分析中，有时也需要进行数据的中心化、标准化处理，也要注意异常值和强影响点的诊断和处理 SAS实现 reg过程 proc reg data=输入数据集 选项； var 可参与建模的变量列表(左数第一 个为因变量)； model 因变量=自变量表/选项； print 输出结果； plot 诊断图形； run； 注： Reg过程是交互式过程，在使用了nun语句提交了若干个过程步语句后，可继续写其他的reg过程步语句，提交运行，直到提交quit语句或开始其他过程步或数据步才终止。 Model语句中选项用“selection=选择方法”，选择方法指的是自变量选择方法，包含none（全用，默认），forward（逐步引入法），backward（逐步剔除法），stepwise（逐步筛选法），maxr（最大增量法），minr（最小增量法），rsquare（选择法），adjrsg（修正选择法）和CP（Mallows的Cp统计量法） Print di //列出Yi的预测值Yi及置信区间（95%） Print clm // 估计均值E（yi）（i=1，……n）及95%置信限 4. Plot 因变量*自变量 / conf 95 ；//省略conf 95 =不带置信限。 对于两个随机变量，其相关程度的强弱按其总体的相关系数大小分为以下几个等级： 绝对值在[0.8，1] 时，视为高度相关； 绝对值在[0.5，0.8）时，视为中度相关； 绝对值在[0.3，0.5）时，视为低度相关； 绝对值在（0，0.3）时，表明两个变量间的 相关程度极弱，在实际应用中可视为不 相关； 相关系数等于0时，两个变量不相关。 在实际应用中我们往往只能得到样本相关系数r，而无法得到总体相关系数。用样本相关系数判定两变量间相关程度的强弱时一定要注意样本量的大小，只有当样本量较大时用样本相关系数判定两变量间相关程度的强弱才可信服。 需要正确区分相关系数显著性检验与相关程度强弱的关系，相关系数的t检验显著只表示总体相关系数显著不为零，不能表示相关程度高。 在样本容量充分大时，可以把样本相关系数r作为总体相关系数，不必关心显著性检验结果。 对于一元线性回