第15章 多元线性回归分析.pptVIP

七. 应用多元线性回归分析时需注意的事项 （1）资料要求： 因变量Y为连续变量，服从正态分布。 自变量X可为连续或分类变量。 Y与X1、X2、…、Xm之间具有线性关系。 残差e服从（0，?）正态分布。 指观察值与估计值之差。 七. 应用多元线性回归分析时需注意的事项 （2）做预报时，只能在自变量X的观察值范围内进行； 例如：建立儿童期体表面积（Y）与身高（X1）、体重（X2）的线性回归方程，但不能利用该方程来推算某一身高、体重的成人的体表面积。 （3）注意资料的特异点； （5）观测值重新量化问题。 （4）样本含量 一般应使样本含量是自变量数的5~10倍。 （6）自变量筛选过程中引入和剔除变量时检验的水准确定 1）引入变量检验的水准小于剔除变量时检验的水准 2）通常引入变量检验的水准为0.05，剔除变量时0.10，但不绝对。 （7）自变量的联合作用分析 若要考虑X1、X2对应变量 y 的联合作用，可设置一个新变量X3= X1X2 上例中，如考虑胰岛素（ X3 ）与糖化血红蛋白（ X4 ）存在交互作用，则设置新变量X5= X3X4 经检验后，有意义，得： （8）自变量的共线性 当自变量之间存在较强的相关关系时，称之为共线性，对一组存在共线性的自变量进行多元回归分析时，偏回归系数的估计值容易失真。（9）结果分析1）因变量的变异可由自变量解释的比例（R2） 即R2 = SS回 / SS总 2）正确分析入选方程的自变量与因变量之间的关系3）正确分析未入选方程的自变量与因变量之间的关系 （10）残差分析 指观察值与估计值之差。 在正常情况下ei服从均值为0的正态分布。 对上例资料建立的回归方程作残差图分析 第二节 多元线性相关 资料要求：Y与p个自变量X都服从正态分布。 1. 复相关系数（多元相关系数） R 如果 F? F?(p, n-p-1) , 则在?水平上拒绝H0 表示p个自变量共同对应变量的相关密切程度。 R 波动范围在 0~1 之间，它与r 值不同，没有负值。R值越接近 1，相关越密切。 R值随引入回归方程内的自变量个数增加而增大。 确定系数(R2) 即R2 = SS回 / SS总 , 回归变异占总变异的比值. 它表明由于引入有显著性相关的自变量，使总平方和减少的部分。 2. 校正复相关系数（Ra）和校正确定系数 （R2a） 复相关系数随方程中变量数的增加而增大，即使无显著性的变量进入方程，其值亦增加。校正复相关系数和校正确定系数就是针对这一现象提出的一种校正，当方程中增加无显著性变量时，校正复相关系数和校正确定系数就会减少。 3. 偏相关系数 （rjy） 它表示在其它自变量固定的条件下，某自变量与应变量之间的相关密切程度和方向。 其值也波动在 -1~1 之间。 上例资料偏相关系数的计算： THE END 例15-1 27名糖尿病人的血清总胆固醇、甘油三脂、空腹胰岛素、糖化血红蛋白、空腹血糖的测量值列于表15-2中，试分析哪些指标能影响血糖水平，并血糖建立与其它几项关系的这些指标的回归关系。 多元线性回归分析 一、多元回归方程的概念 二、多元回归分析步骤 三、标准化偏回归系数 四、自变量的筛选 五、回归方程的总体评价 六、多元线性回归的应用 七、应用多元线性回归分析时需注意的事项 b0为回归方程的常数项； p为自变量的个数； b1、b2、bp为偏回归系数（Partial regression coefficient） 意义：如 b1 表示在X2、X3 ¨¨¨ Xp固定条件下，X1 每增减一个单位对Y的效应（Y增减 b 个单位）。 表达式： 一. 多元回归方程的概念 二. 多元回归分析步骤 （1）用各变量的数据建立回归方程； 由上表 得到如下多元线性回归方程： （2）对总的方程进行假设检验 结果无显著性 1）表明所观察的自变量与应变量不存在线性回归关系； 2）也可能由于样本例数过少； 结果有显著性 表明至少有一个自变量与应变量之间存在线性回归关系。 （3）当总的方程有显著性意义时 应对每个自变量的偏回归系数再进行假设检验，若某个自变量的偏回归系数无显著性，则应把该变量剔除，重新建立不包含该变量的多元回归方程。 对新建立的多元回归方程及偏回归系数按上述程序进行检验，直到余下的偏回归系数都具有统计意义为止。最后得到最优方程。 上例资料多元回归方程1的偏回归系数检验结果如下： 有上表可知，X