刘超简明应用统计学第2版第9章多元回归分析.pptx

简明应用统计学（第2版） 9.1 基本模型 9.2 多元线性回归实例：参数估计、显著性检验、利用回归方程估计和预测 9.3 定性自变量 9.4 非线性回归 9.5 回归分析中可能存在的建模陷阱 第9章 多元回归分析 1. 能对多元线性回归模型进行参数估计和有关假设检验。 2. 了解含定性自变量的回归模型。 3. 了解非线性回归。 4.了解回归建模当中可能存在的一些陷阱。 5. 相关理论在统计软件中的应用。 6. 相应统计分析结果的解读。 学习目标 多元回归模型(multiple regression model)是 一个因变量与两个及两个以上自变量的回归模型。 描述因变量 y 如何依赖于自变量 x1 ， x2 ，…， xk 和误差项 。 9.1 基本模型 当因变量与各自变量之间为线性关系时，称为多元线性回归模型(multiple linear regression model)。 涉及 k 个自变量的多元线性回归模型可表示为 b0 ，b1，b2 ，，bk是参数，bi 表示假定其他变量不变，当 xi 每变动一个单位时，y 的平均变动值。  是被称为误差项的随机变量。 y 是x1,，x2 ， ，xk 的线性函数加上误差项 。  包含在y里面但不能被k个自变量的线性关系所解释的变异性。 9.1 基本模型 误差项ε是一个期望值为0的随机变量，即E()=0。 对于自变量x1，x2，…，xk的所有值，的方差 2都相同。 误差项ε是一个服从正态分布的随机变量，即ε~N(0,2)，且相互独立。 9.1 基本模型 二元回归方程的直观解释 用样本统计量 估计回归方程中的 参数 时得到的方程 由最小二乘法求得 一般形式为 估计的多元回归的方程(estimated multiple regression equation) 是 的估计值 是 y 的估计值 多元线性回归的矩阵表达式 还可以用矩阵形式表示多元线性回归模型： 其中： 可以得到参数的最小二乘估计为： 与一元线性回归一样,我们采用最小二乘法估计β0,β1,β2,…,βk。 在一定的假定下,最小二乘估计有很多优良的性质。在β0,β1,…,βk的所有线性无偏估计中,最小二乘估计方差最小,因此称之为参数的最佳线性无偏估计(best linear unbiased estimator,BLUE)。 参数的最小二乘估计 求解各回归参数的标准方程如下 使因变量的观察值与估计值之间的离差平方和达到最小来求得 。即 参数的最小二乘估计 (1)与一元回归不同,在多元回归中我们更常用修正的R2来描述方程的拟合优度。因为当变量数目增加时,判定系数R2有增大的缺点。因此,人们采用修正的R2(adjusted R square) 用样本量n和自变量的个数k去修正R2得到 避免增加自变量而高估 R2 意义与 R2类似 数值小于R2　 与一元回归相比,需要注意两点: (2)在多元回归中F检验和t检验不再等价。对于多元回归模型,这时F检验的假设为 H0：12k=0 线性关系不显著 H1：1，2， k至少有一个不等于0 与一元回归相比,需要注意两点: 我们通过一个实例来介绍多元线性回归模型的建模过程，包括探索性分析、参数估计、模型检验等等。　　 9.2 多元线性回归实例 【例9.1】为了解大学生有意义的生活是否受到沟通能力、乐观积极和学业成功的影响,对30个同学进行了问卷调查,得到指标的得分数据。试建立有意义生活y与沟通能力x1、乐观积极x2和学业成功x3的线性回归方程，并解释各回归系数的含义 序号 有意义的生活 沟通能力 乐观积极 学业成功 1 34 25 14 12 2 62 41 35 20 3 54 38 40 18 4 59 36 35 17 5 28 18 32 15 6 31 28 15 18 7 64 25 35 22 8 57 22 45 24 9 26 19 32 21 10 44 27 23 12 11 62 31 47 17 12 54 25 50 20 13 59 24 35 14 14 68 28 31 16 15 36 31 17 19 16 54 36 29 18 17 68 37 42 22 18 53 29 46 15 19 33 20 2