回归分析（一）.pptVIP

* * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * 124 Note: 1. As we move farther from the mean, the bands get wider. 2. The prediction interval bands are wider. Why? (extra Syx) * * * * * * * * 标准化残差图 ? 用以直观地判断误差项服从正态分布这一假定是否成立 若假定成立，标准化残差的分布也应服从正态分布 在标准化残差图中，大约有95%的标准化残差在-2到+2之间 * 标准化残差图(例题分析) * 用残差检测异常值和有影响的观测值 * 异常值(outlier) 如果某一个点与其他点所呈现的趋势不相吻合，这个点就有可能是异常点，或称为野点 如果异常值是一个错误的数据，比如记录错误造成的，应该修正该数据，以便改善回归的效果 如果是由于模型的假定不合理，使得标准化残差偏大，应该考虑采用其他形式的模型，比如非线性模型 如果完全是由于随机因素而造成的异常值，则应该保留该数据 在处理异常值时，若一个异常值是一个有效的观测值，不应轻易地将其从数据集中予以剔出 * 异常值(识别) 异常值也可以通过标准化残差来识别 如果某一个观测值所对应的标准化残差较大，就可以识别为异常值 一般情况下，当一个观测值所对应的标准化残差小于-2或大于+2时，就可以将其视为异常值 Stata twoway (scatter health perincome, sort), legend(on) twoway (scatter perexp perincome, sort) (lfit perexp perincome), legend(on) twoway (scatter perexp perincome, sort) (lfit perexp perincome) (qfit perexp perincome), legend(on) twoway (scatter perexp perincome, sort) (lfit perexp perincome) (qfit perexp perincome) (lfitci perexp perincome), legend(on) twoway (scatter perexp perincome, sort) (lfit perexp perincome) (qfit perexp perincome) (lfitci perexp perincome), legend(on) * reg perexp perincome /*回归*/ predict yhat, xb /*点估计*/ predict stdp, stdp /*点估计的标准误*/ predict score, score /*残差*/ predict stdf, stdf generate clm1=yhat-invttail(7, 0.025)*stdp generate clm2=yhat+invttail(7, 0.025)*stdp generate clp1=yhat-invttail(7, 0.025)*stdf generate clp2=yhat+invttail(7, 0.025)*stdf twoway (lfitci perexp perincome, level (95)) (scatter perexp perincome) (line clm1 clm2 clp1 clp2 perincome, pstyle (p2 p2 p3 p3) sort) * ****残差图**** predict resid, score /*残差*/ twoway (scatter resid perincome) ****标准化残差的计算*** sum resid /*计算出残差的标准差*/ gen sresid=resid/1729.876 /*计算标准化残差，用残差除以其标准差*/ sktest sresid /*正态性检验*/ twoway (scatter sresid perincome) /*落在区间（-2，2）以外为异常值*/ * * * * * * * * 24 This teleology is based on the number of explanatory variables nature of relationship between X Y. * * * * * * * * * * * * * * * * * * 判定系数r2  (coeff