演示专题4：多元线性回归分析.docVIP

专题4：多元线性回归分析 1 HYPERLINK 处理的问题 2 HYPERLINK 回归方程 3 HYPERLINK 原始数据 4 HYPERLINK 基本思想 5 HYPERLINK 主要统计结果 6 HYPERLINK 多元回归例题 7 HYPERLINK 模型的要求 8 HYPERLINK 自变量的筛选――逐步回归 9 HYPERLINK 多对多回归――双重筛选逐步回归简介 10 HYPERLINK 应用举例  1 处理的问题 多元线性回归是一元线性回归的拓展，可以同时考虑多个自变量，用于分析几个自变量与一个因变量之间的线性关系，建立由几个自变量推测一个因变量的回归方程。 注：这里的多元是指多个自变量，因变量只有一个，即一对多回归。多元统计分析中的多元回归也指同时有多个因变量和多个自变量，即多对多回归。 HYPERLINK 返回 2 回归方程 多元线性回归的回归方程为： y^ ＝b0 + b1x1 + b2x2 + … + bkxk 其中： x1、x2、…xk 为一组自变量 y 为因变量 y^ 为y的估计值 b0 为截距（即常数项） b1、b2、…bk 为（偏）回归系数 回归方程在体育中有许多重要的应用，如运动成绩的预测和训练中的控制、运动成绩的影响因素分析、难测生理指标的估计等等。 HYPERLINK 返回 3 原始数据 抽取一个样本，测取样本中每个观察对象的因变量y值及自变量x1、x2、…xk的值，注意每个对象各指标的值都要测全。为了取得较好的效果，样本含量n不能太小，最好有k的5至10倍或更多。 对象 y x1 x2 … xk 1 y1 x11 x21 … xk1 2 y2 x12 x22 … xk2 … … … … … … n yn x1n x2n … xkn HYPERLINK 返回 4 基本思想 建立回归方程的准则有多种，其中最常用的是“最小二乘法”，这是一种经典的方法，也是一种默认方法，即不作说明的话，一般都是用该法。该法要求建立的回归方程使 Q＝Σ(y－y^ )2 ＝ 达到最小。 在该准则下，回归系数可以通过解下面的方程组（称为正规方程组）得到： 其中： （Lij ＝Lji） （i , j ＝1，2，3，…，k） 从而可以根据“正规方程组”解出b1、b2、…bk 常数项b0可通过下式计算： HYPERLINK 返回 5 主要统计结果 5．1 HYPERLINK 回归方程的检验与评价 5．3 HYPERLINK 偏回归系数的检验――各自变量作用的检验 5．4 HYPERLINK 影响因素分析 HYPERLINK 返回  5．1 回归系数和截距 因为回归方程为： y^ ＝b0 + b1x1 + b2x2 + … + bkxk 所以给出截距（常数项）b0和回归系数b1、b2…bk，也就是给出回归方程。 HYPERLINK 返回 5．2 回归方程的检验与评价 5．2．1 HYPERLINK 复相关系数、测定系数和剩余标准差 HYPERLINK 返回  5．2．1 回归方程的检验 上述回归系数b1、b2…bk 是根据样本计算出的，为样本回归系数。总体回归系数记为β1、β2…βk ，反映总体关系的回归方程应该为： 回归方程的检验就是要检验原假设 H0 ：β1＝β2＝…＝βk＝0 若该假设成立，则说明总体上这组自变量x1、x2、…xk 与因变量y间没有线性关系，所以回归方程没有意义。若该假设被拒绝，则说明总体上这组自变量（至少其中一部分）与y有线性关系，回归方程有意义。 检验方法仍然是方差分析的思想： =+ ＝ SSR ＋ SSE 其中：SSR ＝ 称为回归平方和， SSE＝称为剩余平方和。 显然，若回归效果较好的话，应该SSE比较小而SSR比较大，所以我们可以用以下公式来检验： ～F(k , n－k－1) 一般检验结果仍然以方差分析表的形式给出。如： HYPERLINK 返回 5．2．2 复相关系数、测定系数 和剩余标准差 HYPERLINK 复相关系数 HYPERLINK 决定系数 HYPERLINK 调整的决定系数 HYPERLINK 剩余标准差 HYPERLINK 决定系数等计算结果例 HYPERLINK 返回 复相关系数 复相关系