个自变量拟合最优或较理想的多元线性回归方程.pptVIP

多元线性回归中自变量的确定: 根据理论知识与经验决定自变量，由于对部分自变量的作用不确认，借助统计分析来实现，剔除： （1）对问题的研究可能不重要； （2）可能实际上与其他变量重叠； （3）较大测量误差。 为何要剔除一部分自变量？ 自变量太多，信息成本高，模型复杂，不易分析理解； 高度相关的自变量并不增强模型的预测能力，反而加大回归系数的样本变差，削弱模型的描述能力。 多元逐步回归 多元逐步回归------从m个自变量中选择Ｋ（Ｋ≤m）个自变量，拟合最优或较理想的多元线性回归方程。 选出的自变量数应： 足够少：对应变量无重要作用的自变量不能多，剔除在方程外 充分多：对应变量有重要作用的自变量不能少，保留在方程中 自变量选择准则 残差平方和（SS残）与确定系数（R2） 残差均方( MS残）与调整确定系数（Adj R2） AIC信息统计量 ＣＰ统计量 预测残差平方和ＰＲＥＳＳ 残差平方和（SS残） 残差平方和（SS残）与确定系数（R2） 以某一自变量Ｘj被引入模型中导致残差平方和的改变量评价在此模型条件下Ｘj对应变量影响程度； 引入Ｘj，SS残减少量多，则Ｘj对Ｙ的作用大，可被引入； 剔除Ｘj， SS残增加量多，则Ｘj对Ｙ的作用大，不应剔除． 确定系数（R2） R2 =1-SS残/SS总 R2与SS残完全相关，作为选择自变量的准则时完全与SS残等