第五章回微归分析.pptVIP

* * * * * * * * * 3) 回归系数的显著性检验 检验回归方程中的每个解释变量x与被解释变量y之间是否存在显著的线性关系； 确定解释变量能否保留在线性回归方程中。 已知： 且 则有： 令： 得到： 提出假设 H0: b1 = 0 H1: b1 ? 0 确定显著性水平?，并进行决策 ? T?t???，拒绝H0；? T?t???，不能拒绝H0 Sig值小于a，拒绝H0 检验步骤 计算检验的统计量 4、利用回归方程进行预测 根据自变量 x 的取值估计或预测因变量 y的取值 估计或预测的类型 点估计 y 的平均值的点估计 y 的个别值的点估计 区间估计 y 的平均值的置信区间估计 y 的个别值的预测区间估计 根据自变量 x 的取值估计或预测因变量 y的取值 估计或预测的类型 点估计 y 的平均值的点估计 y 的个别值的点估计 区间估计 y 的平均值的置信区间估计 y 的个别值的预测区间估计 例： 为了研究家庭收入与家庭食品支出的关系，随机抽取了10个家庭，得到如下表所示的数据，根据数据建立食品支出y和家庭收入x的回归模型，并检验模型的正确性。（单位千元，显著性水平取0.05） 第二节 多元线性回归 1、针对问题 一个因变量与两个及两个以上自变量的回归；描述因变量 y 如何依赖于自变量 x1 ， x2 ，…， xk 和误差项 ? 的方程，称为多元回归模型；即 一、问题及假设 多元回归方程为： b0 ，b1，b2 ，?，bk是参数 ? 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? ? 是y不能被k个自变量的线性关系所解释的变异性 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； 2、模型假定 二、多元线性回归模型估计 对于n组观测值 构造如下的回归方程： 使得回归误差平方和 达到最小： 1、最小二乘原理 2、模型求解 假设 则 可得 假设 说明： H称为帽子矩阵，它是一个幂等矩阵 3、参数性质 1） 2） SSE,SSR相互独立 3） 4） 三、多元线性回归模型检验 1、拟合优度检验 R2 ?1，说明回归方程拟合的越好；R2?0，说明回归方程拟合的越差； 用样本容量n和自变量的个数k去修正R2得到 计算公式为 说明：a)修正的目的是避免增加自变量而高估 R2 b)意义与 R2类似 c)数值小于R2 调整的判定系数 2、回归方程的显著性检验 1） 提出假设 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 2）构造统计量 思想：在H0成立条件下，SSR/SSE较小，因此拒绝域形式为： SSR/SSEC. 构造统计量： 确定显著性水平?和分子自由度k、分母自由度n-k-1找出临界值F ?。作出决策：若FF ?，拒绝H0。 3）计算并判定 在实际计算中得到F=C ，也可以计算如下的概率 p越小,回归模型越显著。 3、回归系数的显著性检验 1）提出假设 H0： bi = 0 (自变量 xi 与 因变量 y 没有线性关系) H1： bi ? 0 (自变量 xi 与 因变量 y有线性关系) 2）构造统计量 思想：在H0成立条件下， bi较小，因此构造拒绝域形式为： 构造统计量： 确定显著性水平?，并进行决策 ? t?t???，拒绝H0； ? t?t???，不能拒绝H0 3）计算并检验 在实际计算中，也可以用p来做检验，也就是说p值越小越好。 三、多元线性回归模型中的其他问题 回归模型中两个或两个以上的自变量彼此相关的现象称为多重共线性问题 多重共线性带来的问题有 回归系数估计值的不稳定性增强； 回归系数假设检验的结果不显著等。 多重共线性检验的主要方法 容忍度和方差膨胀因子（VIF） 1、多重共线性(multicollinearity) 例如：两个变量共线性问题 容忍度定义： Ri是解释变量Xi与方程中其他解释变量间的样本相关系数； 容忍度在0~1之间，越接近于0，表示多重共线性越强，越接近于1，表示多重共线性越弱。 a) 容忍度 b) 方差膨胀因子 方差膨胀因子是容忍度的倒数 VIFi越大，特别是