sas多元线性回归.pptVIP

输出结果（model2） 结果分析 结果分析 （5）对本问题再求出Y关于X1、X2的二次多项式回归方程，并与线性回归方程比较，说明优缺点。 Intercept -14.55333 0.2210 X1 1.66857 0.0001 X2 -0.73331 0.0126 XSQ -0.00271 0.3914 由输出结果知： 二次模型在0.0001水平下是显著的，预测模型为： y=-14.553333+1.66857x1-0.73311x2-0.00271x1*x2 线性模型在0.001水平下也是显著的，预测模型为： Y=1.53952X1-0.94385X2-4.94048 对比来说：MODEL2复相关系数更接近1，预测值与实测值更接近，回归效果更好，因此y与x 的关系应选用二次模型。 题目 本数据来源于2003年所做的试验，数据参考文件reg-4.xls，观测11个水稻品种(03DH1、03DH2、03DH3、03DH 4、03DH5、03DH6、03DH7、03DH 8、03DH9、03DH10、03DH11)的各种性状：穗数xl、枝梗数x2、秕粒x3、200粒重y。每个水稻品种取5株．以5株为一个单位。研究水稻200粒重y与穗数xl、枝梗数x2、秕粒x3之间的关系，分析哪些因素对200粒重y的影响较大。 从数据中可知，通过给定数据之间的关系，采用 线性回归的方法分析过程REG. 编写程序 TITLE ‘多元线性回归分析’; DATA AMO; INPUT Y X1-X3; CARDS; 5.87 14 16 59 5.58 27 13 27 5.83 31 11 94 4.71 20 15 64 5.59 24 14 167 3.85 19 13 340 5.52 30 13 40 5.65 29 13 90 4.97 30 14 85 5.31 41 13 120 ; PROC REG; MODEL y=x1 x2 x3; MODEL Y=X1 X2 X3/SELECTION=STEPWISE CLI; RUN; 输出结果(model1) 输出结果(model2) 结果分析 REG过程中，MODEL语句可以交互使用，本例我们建立了两个模型，第一个MODEL没有做变量筛选，第二个MODEL指定逐步回归方法筛选变量。并且用CLI输出预测值与预测区间。 REG过程拟合带截距项的直线回归方程，用最小二乘法估计模型的参数，并给出模型及参数的方差分析及T检验。本例的两个模型1检验P值大于0.05，无统计学意义。 模型2为逐步回归法，只纳入了X3，由参数估计表可知，对常数检验t值为t=615.68，Pr|t|的值小于0.0001，远小于0.05，说明截距项（即常数项Intercept）通过检验，估计值为5.82331.对自变量x1分析同样可以得知，x1系数通过检验，估计值为-0.00493. 所以回归方程为： y=0.00493*x1+5.82331. 综上所述：在研究影响水稻粒重的因素中，只有秕粒对它的影响较大。 Thank you ! Company Logo 应用数理统计报告 报告人：宋玲 地 点：计算机院软工实训室 时 间：2013年12月25日 主要内容 报告题目 1 输出结果 3 编写程序 2 分析及总结 4 报告题目 在林木生物量生产率研究中，为了了解林地施肥量（x1，kg）、灌水量（x2，10）与生物量（Y，kg）的关系，在同一林区共进行了20次试验，观察值见下表，试建立Y关于x1,x2的线性回归方程。 从数据中可知，通过给定数据之间的关系，采用 线性回归的方法分析过程REG. 编写程序 DATA ct; INPUT x1 x2 y @@; XSQ=x1*x2; CARDS; 54 29 50 61 39 51 52 26 52 70 48 54 63 42 53 79 64 60 68 45 59 65 30 65 79 51 67 76 44 70 71 36 70 82 50 7