CH人大埃文斯数据模型与决策多元回归分析改编版.docxVIP

: 章 回归分析 Part 2: 6.4 多元线性回归 Multiple Linear Regression 模型形式Model Form 多元线性回归模型: Y = ?? ???? X1 ???? X2 + ... + ?k Xk + ? 预测模型: Y = b0 + b1X1 + b2 X2 + ... + bk Xk 各解释变量的系数b被称为偏回归系数 例题: Colleges and Universities Data学院和大学数据 6.4.1 多元线性回归结果的解释 多元回归统计量含义与一元回归类似 R 平方R Square (coefficient of multiple determination可决系数) R2=0.534 表示大约 53% 毕业率变动能够被方程中的4各解释变量（自变量）所解释。 调整的R2 （Adjusted R2） 是对样本量和解释变量个数调整后的结果，在多元回归中更具有参考价值。 若建模目的在于验证哪些自变量对因变量具有显著影响，则R2 不必要求是一个较大数值。 方差分析结果ANOVA Results 回归方程的显著性Significance of regression H0: ?1 = ?2 =… = ?k = 0 注：F对应的P值（Significance F） 0.05表明回归方程显著。H:至少一个?不为0小于 ? 1 j 残差图举例Example Residual Plot 个别解释变量系数的检验Test for Individual Coefficients H0: ?j = 0 vs. H1: ?j ? 0 若输出表中某个解释变量系数t检验统计量（t Stat）后的P值 （P-value）小于0.05，表明该解释变量对被解释变量具有显著影响，否则该变量不显著。 H0: ?1 = 0 vs. H1: ?1 ? 0 Copyright ? 2010 Pearson Education, Inc. Publishing as Prentice Hall 6(2)-8 6.4.2 多重共线性Multicollinearity 多重共线性 – 两个或更多的解释变量包含较高的相同信息，即解释变量的信息重复。 多重共线性的存在使得对回归系数的解释存在困难。 多重共线性的一般表现：①部分自变量之间显著相关；②回归方程（F检验）显著，而几乎所有回归系数b的t检验却不显著；③回归系数的正负号与预期相反。 解释变量相关系数矩阵Correlation Matrix 上表显示存在潜在的多重共线性问题。然而对多重共线性更为精确的测度需要计算方差膨胀因子variance inflation factors (VIFs). 度量多重共线性Measuring Multicollinearity 1 ? 方差膨胀因子,VIF = 2 1 ? r j 如果不存在多重共线性,则 VIF = 1 一般来说，如果方差膨胀因子 VIF 不超过5，表明不存在多重共线性问题。 方差膨胀因子计算结果VIF Results 6.5 回归模型的构建方法Modeling Approach 构建一个包含所有自变量的模型。通过P值（p-values）来检验自变量的显著性。 识别具有最大P值且超过了所选定显著性水平的自变量。 把不显著的自变量从模型中剔除，计算调整后的 R2 （adjusted R2）。 重复上述步骤，直到剩下的所有变量都具有统计上的显著性。 备注：如果建模的目的不是为了预测等，而是检验某些自变量是否对因变量具有显著影响，则不必进行上述操作， 只需进行显著性检验并加以解释即可。 例题: 银行数据文件Banking Data File 回归结果Regression Results ANOVA Sum of Mean Model Squares df Square F Sig. 1 Regression 7.24E+09 5 1.45E+09 342.439 .000a Residual 4.06E+08 96 4225669 Total 7.64E+09 101 Copyright ? 2010 Pearson Education, Inc. Publishing as Prentice Hall 6(2)-15 Income和Wealth变量的方差膨胀因子VIF大于5，表明回归方程存在多重共线性问题。 Coefficients Standar dized Unstandardized Coefficie Collinearity Coefficients nts Statistics Tolera Model B Std. Error Beta t Sig. nce VIF 1 (Constant) -10710