多元线性总体回归的分析.pptVIP

1.指标数量化 　 二、 注意事项 连续 两分类： 0 、 1 X 有序多分类： 1 、 2 、 3 、 … k 无序分类： k - 1 个哑变量 Y: 连续性 名义分类变量的哑变量化 假如职业分类为工、农、商、学、兵5类，则可定义成比分类数少1个，即4个哑变量。编码方法如下： 小 结 3.挑选在单因素分析中有意义的变量以及在专业上认为有意义的变量进行多因素分析，一般情况下把年龄、性别纳入方程，对没有进入方程的变量进行分析原因。 分析思路： 1.单因素描述。 2.每个自变量x和应变量Y单因素相关和回归分析。 多因素对某定量指标的影响分析(Multiple linear regression) 第十四章 前　言 回归分析 单因素回归分析 多因素回归分析 直线回归分析 曲线回归分析 多因素线性回归分析 多因素非线性回归分析 第一节　多重线性回归分析 　　多重线性回归是研究多个自变量与一个因变量间是否存在线性关系（依存关系）,并用多重线性回归方程来表达这种关系（或用回归方程定量地刻画一个因变量与多个自变量间的线性依存关系）。 多因素回归分析数据格式 Y=β0+β1X1+β2X2+…+βmXm+? 一、多重线性回归模型 ? :除去m个自变量影响外的随机误差 ?j(j=1,2,…m):偏回归系数,在其他变量不变时Xj变化一个单位Y的变化量 ?0:常数项，又称截距 4. Var(?i)=?2 应用条件: 1.Y与X1,X2,…,Xm间线性关系 2.Yi　(i=1,2,…n)独立 3. ?i～N(0,σ2) 二、多重线性回归分析的一般步骤 满足列联方程组 （一）多重线性回归方程的建立 例14－1 测量了30名中学生的身高X1（cm）、体重X2（kg）、胸围X3（cm）、坐高X4（cm）与肺活量Y（L），数据见表14－2 。试对Y与X1、X2、X3、X4做多重线性回归分析。 计算见SAS程序 （二）多重线性回归方程的假设检验 1.方程的检验--方差分析 2.偏回归系数的假设检验—t检验 1.方程的检验（方差分析） SS总=lYY= lxjY=∑XjY-∑Xj∑Y/n ：变量x和y的离均差积和。 SS残差=SS总-SS回 各 （i=1、2、…、m）不全为0 H1： H0：?1= ?2=…= ?m t检验法：t j=b j/ 2.偏回归系数的假设检验 H0:βj=0 H1:βj≠0 ?=0.05 注：多元线形回归分析中t检验与Ｆ检验不等价 3.标准化回归系数 变量作用间的比较 三、回归诊断 自变量间存在复贡献性 实际工作中，有时出现一些在专业上有意义的变量没被选入方程，或用最小二乘法估计出的回归系数与专业上可接受的值相差很大，甚至符号相反。 模型的数学条件是否满足 数据中有离群值或异常值 自变量的观察范围太窄 样本含量太小，或自变量太多 1.残差分析 目的：检验模型是否满足条件以及观察是否强影响点的存在 本例分析见SAS程序 2.强影响观测点的诊断 绘制散点图和残差分析 该绝对值大于4/n时，该观测应作为对回归有较大影响的观测加以关注。本例不应大于4/30=0.133。 DFFIT值的绝对值 时，该观测应作为对回归 该值大于 有较大影响的观测加以关注。本例不应超过0.816. COOK的D值 3.共线性诊断 如果变量间有强的相关关系存在，其中某个自变量可以通过其它的自变量来表达，叫作存在共线性 。 方差膨胀因子（VIF） VIF 10，表明存在共线性的问题； VIF=1/(1-R2) R2 :自变量xi对其余m-1自变量进行回归分析时得到的决定系数 条件指数和方差比例 3.共线性诊断 若条件指数值 在10与30之间为弱相关； 在30与100之间为中等相关； 大于100表明有强相关。 大的条件指数伴随着一个变量超过0.5 的方差比例，就可以认为该自变量有共线性问题存在 。 计算见SAS程序 第二节 自变量选择方法 在拟合并经过回归诊断后获得了合理的多重线性回归模型，但不一定是令人满意的回归方程。优良的回归方程应是既符合实际而又简洁明了。 自变量选择 全局择优法 逐步回归法 2.Cp准则 选择Cp最接近P的那个方程。 3.赤池信息准则（AIC） 最小二乘法 1.调整复相关系数 一、全局择优法 从各自变量组合所建立的方程中选择“最优”。 应用以上准则如何选择模型？ 求出所有可能的回归模型（共有2m－1个）对应的准则值；按上述准则选择最优模型。 计算见SAS程序 二、逐步回归法 1.前进法 在某一标准下逐步引进变量，一旦进入方程，则不剔除。