第八章回归分析.PPT

迴歸分析 8.1 迴歸分析之分類 8.2 迴歸基本原理 8.3 迴歸模型之檢驗 8.4 分析範例 8.1 迴歸分析之分類 1/2 迴歸分析依不同的重點分類，可分為以下幾類： 依自變數個數區分 單變數迴歸（簡單迴歸）：討論單一自變數對依變數的影響。例如： 複迴歸：討論二個以上的自變數對依變數的影響。 例如： 依線性性質區分 線性迴歸：自變數與依變數間具直線特性。 例如： 8.1 迴歸分析之分類 2/2 非線性迴歸：自變數與依變數間具非線性特性， 例如： 依方程式個數區分 單一迴歸式：討論一個依變數受自變數的影響，例如： 聯立迴歸式：討論二個以上依變數受自變數的影響，例如： 8.2 迴歸基本原理 1/5 單變數迴歸模型 下圖為（1.1銀行客戶.sav）中，客戶的「所得」與「存款」所繪出的散布圖。 8.2 迴歸基本原理 2/5 我們可以假設 存款＝β0＋ β1 所得或 假設每一個yi彼此間獨立，不會相互影響，也就是沒有自我相關(autocorrelation)，且所有的變異數 都相等，也是 ，則稱之為同質性(homoscedasticity)。 8.2 迴歸基本原理 3/5 　須滿足以下的基本假設： ?i與 ?j 間互為獨立(independent)， corr(?i,?j)＝0 （如果corr(?i, ?j)＞0，則有自我相關）。 ?i來自一個平均值為0，變異數為σ2的常態分配。 假設bo、b1為?o、?1之估計值，則樣本之線性迴歸方程式可寫成 為依變數 y之樣本估計值(fitted value)。 8.2 迴歸基本原理 4/5 稱為殘差(residual)（見下圖） 。 殘差ei 必須滿足以下的假設： ei與ej間互為獨立，corr(ei, ej)＝0。 ei來自一個平均值為0，變異數為　的常態分配。 8.2 迴歸基本原理 5/5 複迴歸模型 其中?o、?1…?k稱為偏迴歸係數(partial regression coefficient)，而b0、b1…bk則是他們的估計值。有以下幾項假設： 所有自變數x間相互獨立,即沒有線性重合(multicollinearity)問 題。 殘差項需滿足殘差共變數為0， ，Cov(?i, ?j)=0，亦無序列相關。 樣本數目需大於自變數個數，N K + 2。 8.3 迴歸模型之檢驗 1/2 模型選擇 配適度檢測 R2值：代表變數y的變異性中，由變數x所解釋的百分比。adj?R2值(adjusted R2)與R2不同的是，如果新加入的自變數x並沒有提高原迴歸模型的解釋能力，adj-R2值會下降。 ANOVA的F值檢定：用來檢定是否全部的自變數顯著影響依變數。 8.3 迴歸模型之檢驗 2/2 變數關係判定 其檢定的假設為H1：bi ≠0；如果顯著，則表示該變數x具有解釋y的能力。如果某些x是相關的，則稱有共線性(multicollinearity)，可以用每一個x的VIF(variance inflation factor)來檢驗。如果VIF≥10則有共線性的問題。 殘差分析 殘差應為常態分配。以P?P plot或Q?Q plot檢查是否為常態分配 。 8.4 分析範例 1/19 單變數迴歸 複迴歸 當自變數已確定 當自變數未定時，選擇適用的自變數 虛擬變數的運用 干擾效果 中介效果 8.4 分析範例 2/19 單變數迴歸 範例一 若想從所得與貸款中擇一變數，用以解釋預測銀行客戶之存款，則應如何進行分析及解釋客戶之存款行為？ 8.4 分析範例 3/19 1.模型選擇 由相關係數可知所得與存款較為密切，而由散布圖大致可判斷兩者為線性關係。 8.4 分析範例 4/19 2.模型配適 點選Analyze/Regression/Linear/Dependent 程式操作 3.配適度檢測 範例一—程式操作 8.4 分析範例 5/19 4.迴歸係數之 t 檢定 8.4 分析範例 6/19 5.殘差分析 散布圖中，無特殊模式。 如果殘差為常態分配，常態圖中應為一45度之直線。 8.4 分析範例 7/19 6.分析解釋與應用 由推估之結果，存款與所得間之關係可呈現如下， 存款(y) = 78.007 + 1.639 所得(x) 結論：當所得每增加1,000元，存款將增加1,639元。 8.4 分析範例 8/19 當自變數已確定 請以所得與年齡，說明銀行客戶之存款行為。 1.模型選擇 一般而言，經常假設自變數與依變數間呈線性關係。