用SAS作回归分析 Regression AnalysisPPT.ppt

回归诊断 例外值(outliers)或异常作用点的检查 从已拟合回归的数据中分析线性模型的假定是否被破坏： 应变量的均值是否是独立变量的线性函数，是否需要对变量进行变换或拟合曲线回归 余差(residuals)是否同方差，不相关，正态分布 独立变量间是否存在线性关系(仅多元有) 考察余差散点图是进行回归诊断的必要步骤 回归诊断 回归诊断Ascombe’s 例 Ascombe’s例 Insight: dst.ascombe reg228编程作4图合一 reg228,1-4分别作图 reg222,1-3编程分析 A:x1,y1, I:x1,y2, O:x1,y3, H:x2,y4 回归诊断 回归分析的余差值是回归诊断的重要工具 利用余差可以考察余差和预测值的散点图也可以检验余差分布的正态性 回归诊断 模型合适 应改曲线模型 不等方差 观测值不独立 回归诊断生成余差 在INSIGHT中拟合回归后在数据表中回自动生成预测值、余差值和余差-预测散点图 回归诊断生成余差 Analyst: Statistics ? Regression? Linear . . . ? Predictions预测值、余差值 回归诊断 Insight: Cars Var ? Std res., 找绝对值超过2者 var ? Cook’s D 超过 4/92=0.04348 var ? Dffits 超过 2sqrt((k+1)/n)=0.58977 参数估计表中看vif output+collinearity…看条件指数与方差比例 Analyst: Cars +p.,r.,student to dst +plot: std.*p. +cookd 0.0435, dffits 58977 +statisitcs ? tests Collinearity, vif 回归诊断生成余差 在PROC REG的model语句加上选项 p，就会输出预测值和相应的余差 PROC REG DATA=数据集名 graphics ; MODEL 应变量=自变量/p; PLOT y变量*x变量/选项; symbol n c=颜色 v=值;RUN; 利用plot语句 plot r.*p. ; 就可得到余差-预测散点图 回归诊断识别异常观测值 回归诊断识别异常观测值 在PROC REG的model语句加上选项 r，就会输出与预测值和余差有关的一些统计量。他们可用于识别异常数据(outlier)及其影响 PROC REG DATA=数据集名 ; MODEL 应变量=自变量/r; RUN; Predict Value 预测值 Std Err Predict 预测值标准差 Residual 余差 Std Err Predict 余差标准差 Student Residual student化的余差 -2 -1 0 1 2 余差显著性图 Cooks D Cooks D统计量 与余差有关的统计量 回归诊断余差分布正态性 有了余差的数据，就可对其运用图形方法或正式的分布正态性的检验 在INSIGHT中可直接对数据表中的预测余差变量进行分析 在PROC REG可利用下列语句用图形分析余差分布正态性 PROC REG DATA=数据集名 graphics ; MODEL 应变量=自变量; PLOT nqq.*student.(nqq.*r.);RUN; 回归诊断识别有影响的观测 回归诊断识别有影响的观测 Cook D统计量度量一个观测从分析中剔除时参数估计值的变化 对一个观测值其 Cook D 统计量的值超过 4/n 时(n为样本容量)，这个观测存在反常效应 SAS/INSIGHT 在下拉菜单选Var ? Cooks D 回归诊断识别有影响的观测 Dffitsi 度量第i 个观测对预测值的影响 第i个观测的预测值 用排除第i个观测的回归对第i个观测的预测值 第i个观测的预测值的标准差 p 为模型中参数的个数， n 为样本容量 SAS/INSIGHT 在下拉菜单选Var ? Dffits 回归诊断识别有影响的观测 Analyst: Statistics ? Regression? Linear . . . ? Save Data 回归诊断识别有影响的观测 Proc REG 的 Model语句加选项 r 可获得 Cook D 统计量 Proc REG 的 Model语句加