多元线性回归（虚拟变量）.pptVIP

多元线性回归 虚拟变量（哑变量） 我们在建立模型时，经常会在解释变量中使用定性变量；我们把这类定性变量称为虚拟变量。 虚拟变量在很多文献中经常称为哑变量。 例 研究消费者每年旅游支出Y （千元）与年收入X（千元）、受教育水平（EDU）之间的关系。 原始数据中，受教育水平（EDU）取值为1、2、3,分别表示小学、中学、大学受教育水平。 由于受教育水平（EDU）为定类变量，所以需要重新编码。 由于受教育水平共三类，所以应采用两个虚拟变量。我们将“小学”受教育水平这一类作为“参照类”。（当然也可将其他类当作参照类，不过相应回归系数的解释不同） D2= 1 中学教育 0 其他 D3= 1 大学教育 0 其他 于是，任何一种受教育程度都可用上述两个虚拟变量表示出来： D2 D3 小学 0 0 中学 1 0 大学 0 1 注意： 对于定类或定序变量，不能直接作为自变量进行多元回归。 一个定类或定序变量，如果总类数为n，则应引入n-1个虚拟变量（一组虚拟变量）。省略的一类，称为“参照类”。 不能引入n个虚拟变量，否则会产生多重共线性问题。 考虑以下模型： Y=β1+β2D2+β3D3+β4X+ε 上述模型中的两个虚拟变量D1、D2的数据需要利用EDU获得。 当样本较大时，这项工作很烦琐。 下面介绍如何通过SPSS自动完成（重新编码）。 变量重新编码的SPSS操作 Transform ?Recode ?Into Different Variables… 将变量EDU选入 输入有关信息（表示将EDU重新编码后的数据存入新变量D2） 4 1 2 3 将EDU原来的“2”重新编码为“1” 将EDU其他值重新编码“0” 1 2 3 单击“Continue”返回上级菜单 单击OK后，获得虚拟变量D2。 下面在将EDU再次重新编码，以获得反映大学受教育水平的虚拟变量D3。 重复上述过程，将EDU重新编码，获得虚拟变量D3（大学受教育水平） 在对EDU重新编码时，将EDU的3重新编码为1，其余均重新编码为0。 回归分析结果： 经验回归方程 Y= - 1.286+1.932D2+4.447D3+0.172X 关于普通变量回归系数的解释 经验回归方程 Y= - 1.286+1.932D2+4.447D3+0.172X X的回归系数的解释： 在其他条件不变的情况下，年收入每增加1（千元），每年旅游支出平均提高0.172（千元）。 关于虚拟变量回归系数的解释 经验回归方程 Y= - 1.286+1.932D2+4.447D3+0.172X 虚拟变量D2的回归系数的解释： 在其他条件不变的情况下，中学受教育水平的居民，每年旅游支出比小学受教育水平的居民平均高1.932（千元）。 关于虚拟变量回归系数的解释 经验回归方程 Y= - 1.286+1.932D2+4.447D3+0.172X 虚拟变量D3的回归系数的解释： 在其他条件不变的情况下，大学受教育水平的居民，每年旅游支出比小学受教育水平的居民平均高4.447（千元）。 结 束