研一spss复习资料 06_回归分析.pptVIP

（3）回归系数的显著性检验（t检验） 回归系数的显著性检验是检验各自变量x1，x2，…，对因变量y的影响是否显著，从而找出哪些自变量对y的影响重要，哪些不重要 H0:βi=0 与一元线性回归一样，要检验解释变量对因变量y的线性作用是否显著，要使用t检验。 线性回归方程的残差分析 Standardize residual plots:绘制残差序列直方图和累计概率图,检测残差的正态性 绘制指定序列的散点图,检测残差的随机性、异方差性 ZPRED:标准化预测值 ZRESID:标准化残差 SRESID:学生化残差 线性回归方程的残差分析 残差序列的正态性检验 绘制标准化残差的直方图或累计概率图 残差序列的随机性检验 绘制残差和预测值的散点图,应随机分布在经过零的一条直线上下 残差序列独立性检验 残差序列是否存在后期值与前期值相关的现象,利用D.W(Durbin-Watson)检验 D-W=0:残差序列存在完全正自相关; D-W=4:残差序列存在完全负自相关; 0D-W2:残差序列存在某种程度的正自相关; 2D-W4:残差序列存在某种程度的负自相关; D-W=2:残差序列不存在自相关. 残差序列不存在自相关,可以认为回归方程基本概括了因变量的变化;否则,认为可能一些与因变量相关的因素没有引入回归方程或回归模型不合适. 异常值(casewise或outliers)诊断 利用标准化残差不仅可以知道观察值比预测值大或小,并且还知道在绝对值上它比大多数残差是大还是小.一般标准化残差的绝对值大于3,则可认为对应的样本点为奇异值 异常值并不总表现出上述特征.当剔除某观察值后，回归方程的标准差显著减小,也可以判定该观察值为异常值 线性回归分析中的共线性检测 高度的多重共线会使回归系数的标准差随自变量相关性的增大而不断增大,以至使回归系数的置信区间不断增大,造成估计值精度减低. 自变量的容忍度和方差膨胀因子 容忍度(tolerance) :Toli=1-Ri2. 容忍度越大则与方程中其他自变量共线性越低,应进入方程. 方差膨胀因子(VIF):容忍度的倒数 用特征根刻画自变量的方差 如果自变量间确实存在较强的相关关系，那么它们之间必然存在信息重叠，于是可从这些自变量中提取出既能反映自变量信息(方差)又相互独立的因素(成分)来. 从自变量的相关系数矩阵出发，计算相关系数矩阵的特征根，得到相应的若干成分. 如果某个特征根既能够刻画某个自变量方差的较大部分比例(如大于0.7),同时又可以刻画另一个自变量方差的较大部分比例，则表明这两个自变量间存在较强的多重共线性。 条件指标: 0k10 无多重共线性; 10=k=100 较强; k=100 严重 回归分析中的自变量筛选 多元回归分析引入多个自变量. 如果引入自变量个数较少,则不能较好说明因变量的变化; 并非自变量引入越多越好.原因: 有些自变量可能对因变量的解释没有贡献 自变量间可能存在较强的线性关系,即:多重共线性. 因而不能全部引入回归方程. 自变量向前筛选法(forward) 即自变量不断进入回归方程的过程. 首先,选择与因变量具有最高相关系数的自变量进入方程,并进行各种检验; 其次,在剩余的自变量中寻找偏相关系数最高的变量进入回归方程,并进行检验; 默认:回归系数检验的概率值小于(0.05)才可以进入方程. 反复上述步骤,直到没有可进入方程的自变量为止. 自变量向后筛选法(backward) 即:自变量不断剔除出回归方程的过程. 首先,将所有自变量全部引入回归方程； 其次,在一个或多个t值不显著的自变量中将t值最小的那个变量剔除出去,并重新拟和方程和进行检验; 默认:回归系数检验值大于(0.10),则剔除出方程 如果新方程中所有变量的回归系数t值都是显著的,则变量筛选过程结束. 否则,重复上述过程,直到无变量可剔除为止. 自变量逐步筛选法(stepwise) 即:是“向前法”和“向后法”的结合。 向前法只对进入方程的变量的回归系数进行显著性检验，而对已经进入方程的其他变量的回归系数不再进行显著性检验，即：变量一旦进入方程就不回被剔除 随着变量的逐个引进，由于变量之间存在着一定程度的相关性，使得已经进入方程的变量其回归系数不再显著，因此会造成最后的回归方程可能包含不显著的变量。 逐步筛选法则在变量的每一个阶段都考虑的剔除一个变量的可能性。 菜单选项: Analyze - Regression - Linear 研究问题 打开数据文件“公司职工” 以当前薪金为因变量,起始薪金、职务、受教育年限等为自变量,建立回归方程并进行评价 6.4 曲 线 估 计 在一元回归分析中，一般首先绘制自变量和因变量间的散点图，然后通过数据在散点图中的分布特点选择所要进行回归分析的类型，