多元线性回归和相关性.pptVIP

本章小节 多元线性回归分析也称为复线性回归分析，它是一元线性回归分析或简单线性回归分析的推广，它研究的是一组自变量如何直接影响一个因变量。这里的自变量指的是能独立自由变化的变量，一般用x表示；因变量y指的是非独立的、受其它变量影响的变量，一般用y表示。 多元线性回归分析的手段是借助于一个数学模型来揭示总体中若干个自变量与一个因变量之间的线性依存关系，并评估用这一数学模型模拟相关事物变化规律的准确性。具体地说，多元线性回归分析可以从统计意义上确定在消除了其它自变量的影响后，每一个自变量的变化是否引起因变量的变化，并且估计出在其它自变量固定不变的情况下，每个自变量对因变量的数值影响大小。 本章小节 对于多元线性回归分析，要求观察数据和模型的残差满足一定的条件，在本章中进行了详细的描述。 详细介绍了多元线性回归模型的参数估计，包括回归参数的最小二乘估计、拟合优度检验（包括总离差平方和分解、样本决定系数和调整后的样本决定系数）、模型显著性检验以及参数显著性检验。 本章小节 选择“最优”回归方程的变量筛选法包括逐步回归法，向前引入法和向后剔除法。多元回归分析的目的是为了找出一个最优的模型，用来解释和预测自变量和因变量的依存关系。但是，要注意的是，所谓的最优模型，只是相比较而言。没有一个绝对的最优模型存在。 解释变量间完全不相关的情形是非常少见的，大多数变量都在某种程度上存在着一定的共线性，而存在着共线性会给模型带来许多不确定性的结果。介绍了常用的共线性诊断方法以及各种处理方法。 介绍了复相关系数和偏相关系数的定义以及与复确定系数和偏回归系数的联系和区别。 第10章 多元线性回归与相关 学习目标 熟悉多元线性回归模型矩阵形式； 掌握多元线性回归模型、参数估计过程及参数的解释， 标准化参数估计值； 了解多元线性回归共线性的诊断问题； 理解复相关系数与偏相关系数； 掌握多元线性回归的SAS程序（REG过程以及选项）。 熟悉计算偏相关系数的SAS程序。 多元线性回归与相关的基础理论 在许多实际问题中，还会遇到一个随机变量与多个变量的相关关系问题，需要用多元回归分析的方法来解决。前面介绍的一元回归分析是其特殊情形。但由于多元回归分析比较复杂，在此仅简要介绍多元线性回归分析。 由于经济现象的复杂性，一个被解释变量往往受多个解释变量的影响。多元回归模型就是在方程式中有两个或两个以上自变量的线性回归模型。多元线性回归预测是用多元线性回归模型，对具有线性趋势的税收问题，使用多个影响因素所作的预测。 多元线性回归 多元线性回归分析也称为复线性回归分析，它是一元线性回归分析或简单线性回归分析的推广，它研究的是一组自变量如何直接影响一个因变量。这里的自变量指的是能独立自由变化的变量，一般用x表示；因变量y指的是非独立的、受其它变量影响的变量，一般用y表示。由于多元线性回归分析（包括一元线性回归分析）仅涉及到一个因变量，所以有时也称为单变量线性回归分析。 回归变量的选择与逐步回归 在实际问题中, 人们总是希望从对因变量有影响的诸多变量中选择一些变量作为自变量, 应用多元回归分析的方法建立“最优”回归方程以便对因变量进行预报或控制，这就涉及到自变量选择的问题。所谓“最优”回归方程, 主要是指希望在回归方程中包含所有对因变量影响显著的自变量而不包含对影响不显著的自变量的回归方程。 在回归方程中若漏掉对Y影响显著的自变量，那么建立的回归式用于预测时将会产生较大的偏差。但回归方程若包含的变量太多，且其中有些对Y影响不大，显然这样的回归式不仅使用不方便，而且反而会影响预测的精度。因而选择合适的变量用于建立一个“最优”的回归方程是十分重要的问题。 回归变量的选择与逐步回归 选择“最优”回归方程的变量筛选法包括逐步回归法，向前引入法和向后剔除法。 向前引入法是从回归方程仅包括常数项开始，把自变量逐个引入回归方程。具体地说，先在m个自变量中选择一个与因变量线性关系最密切的变量，记为，然后在剩余的m-1个自变量中，再选一个，使得 联合起来二元回归效果最好，第三步在剩下的m-2个自变量中选择一个变量，使得 联合起来回归效果最好，...如此下去，直至得到“最优”回归方程为止。 回归变量的选择与逐步回归 向前引入法中的终止条件为，给定显著性水平，当某一个对将被引入变量的回归系数作显著性检查时，若p-value≥，则引入变量的过程结束，所得方程即为“最优”回归方程。 向前引入法有一个明显的缺点，就是由于各自变量可能存在着相互关系，因此后续变量的选入可能会使前面已选入的自变量变得不重要。这样最后得到的“最优”回归方程可包含一些对Y影响不大的自变量。 回归变量的选择与逐步回归 向后剔除法与向前引入法正好相反，首先将全部m个自