第七章回归分析PPT.ppt

第七章 回归分析 第一节 Linear过程 线性回归 第二节 Curve Estimation过程 曲线回归 第三节 Logistic过程 罗辑斯谛回归 第四节 Probit过程 概率单位回归 第五节 Nonlinear过程 非线性回归 回归的主要内容： 从一组样本数据出发，确定这些变量间的定量关系式； 对这些关系式的可信度进行各种统计检验； 从影响某一变量的诸多变量中，判断哪些变量的影响显著，哪些不显著； 利用求得的关系式进行预测和控制。 回归的分类： 按是否线性分：线性回归模型和非线性回归模型。 按自变量个数分：简单的一元回归，多元回归。 利用SPSS得到模型关系式，是否具有适用性，要看回归方程的显著性检验（F检验）和回归系数b的显著性检验(T检验)，还要看拟合程度R2 (相关系数的平方,一元回归用R square，多元回归用Adjusted R Square) 回归分析的菜单选项及说明： 在回归过程中包括： Liner：线性回归 Curve Estimation：曲线估计 Binary Logistic： 二分变量逻辑回归 Multinomial Logistic：多分变量逻辑回归 Ordinal 序回归 Probit：概率单位回归 Nonlinear：非线性回归 Weight Estimation：加权估计 2-Stage Least squares：二段最小平方法 Optimal Scaling 最优编码回归   1．数据正态性假设：误差项的分布与自变量无关，服 从均值0，方差常数的正态分布； 2．方差齐性假设：对不同的自变量取值条件下，误差分 布方差相同； 3．独立性假设：对不同的自变量取值条件下，误差分布 期望为0； 4．无自相关性假设：对不同的自变量取值条件下，误差 不相关； 5．随机误差与自变量对因变量的影响不相关； 4. 回归方程的建立 Enter 所有变量都进入方程(全模型) Remove 根据设定好的条件, 删除部分变量, 通常根据变量与模型的相关性 Forward 向前选择 根据条件从无自变量开始逐个选择适合的变量进入模型 Backward 向后剔除法 根据条件从全模型中逐个剔除变量 Stepwise 逐步进入法 注：衡量变量在回归模型中作用的大小，一般用偏回归平方和刻画，令S（i1, i2, … , ik）表示方程中有变量(i1, i2, … , ik)时 残差平方和,则第 i个变量的偏回归平方和定义为: Pi2= S（i1, i2, …im-1,im+1,… , ik）—S（i1, i2, … , ik） Pi越大表明该变量越重要。） 5. 参入分析的观测量的选择: 利用Selection 变量的取 值实现分析中 CASE的选择 6. Statistics 选项设置: R squared Chang : 表示当回归方程中引入或剔除 一个变量后R2的改变量。 7. 共线性诊断：回归方程中，虽然各自变量对因变量都是有意义的，但是某些自变量可能彼此相关，即存在共线性问题，因此需要对方程中的自变量进行共线性诊断。 如果存在常数C0 C1 C2，使C0= C1 X1+C2X2 则称X1，X2具有精确共线性. 如果上式近似成立， 则称近似共线性 当一组自变量有精确共线性时，必须删除引起共线性的一个或多个自变量，当共线性为近似时，要把引起共线性的自变量删除，但必须保证模型丢失信息最少。 共线性诊断常用参数：容许度（） 在只有两个变量的情况下，其间的贡献性表现在两个变量间 的相关系数，相关系数为1时，精确共线性，为0时，不存 在共线性。多个变量时，Xi 与其他自变量X之间的复相关 系数的平方体现了共线性，容许度 Toli = 1—R2 当容许度较小时，自变量X与其他变量存在共线性。 容许度测量共线性的条件是：观测量应近似服从正态分布 方差膨胀因子（VIF） 方差膨胀因子 VIF=1/（1—R2） 容许度的倒数，值越大，自变量之间存在共线性可能性越大. 条件参数（Condition Index） Condition Index = 条件参数大于等于30时认为有共线性存在的可能性 共线性问题的解决方法. 剔除不重要的有共线性的变量、增加样本量、重新测量. 7.1.2实例分析 ［例7.1］某医师测得10名3岁儿童的身高（cm）、体重（kg）和体表面积（cm2）资料如下。试用多元回归方法确定以身高、体重为自变量，体表面积为应变量的回归