多元线性回归版.pptVIP

后退法(Backward)：与前进法正好相反。先将全部自变量选入方程，然后，根据事先规定的剔除标准，再逐步一个一个地剔除无统计学意义的自变量，直到没有自变量可剔除为止，然后再对剩余的自变量建立新的回归方程。 优点：考虑到自变量的组合作用。善于发现联合作用较强的变量。（沾光） 缺点：当自变量较多或某些自变量间高度相关时，可能得不出正确的结果。只考虑剔除，不再考虑重新进入方程。 （三）回归方程的建立（附：SPSS操作） 逐步法(Stepwise)：是前进法和后退法的综合，是双向筛选的一种方法。其本质是前进法，但每引入一个自变量进入方程后，要对方程中每个自变量作检验，看是否有退化为“不显著”的自变量，如有，则剔除出方程，以确保每次引入新变量之前，方程中全部是“显著”作用的自变量。反复进行，直到既无自变量需要引入，也无自变量从方程剔除为止。从而得到一个局部最优的回归方程。 逐步法克服了前进法和后退法的缺点，是一种比较好的方法。 （三）回归方程的建立（附：SPSS操作） （四）多元回归方程的检验 （1）回归方程是否有效 ①方差分析：对整个回归方程的假设检验 ②t检验：分别对截距、偏回归系数进行检验 （2）拟合条件的检验 ①方差齐性检验：用标准化预测值为横轴，以学生化残差为纵轴绘残差图。如果残差的分布无规律，则符合条件，反之，不满足条件。 以下图形系采用SPSS 13.0附带的数据文件：Breast cancer survival.sav Y-Pathologic Tumor Size (cm) X:Age, Histologic Grade,Time ②回归模型残差的正态性检验： ★残差累积概率图(P-P图)：如残差在直线周围分布，表示符合要求。 ★残差直方图：在SPSS作回归分析中，选择Histogram即可得到残差的直方图。 轻度偏态 ③残差图示法：残差为纵坐标、估计值y（或某个自变量xi）为横坐标作残差图进行分析。 标准化残差绝对值2 为异常点。 标准化残差 标准化预测值 异常点 残差图：绝大部分的观测值随机地落在±2范围内，预测值与学生化残差之间无明显关系，回归方程满足线性和方差齐性要求。 结束 The end 1/ 利用判别指标判断影响点： ①SDRESID(学生删除残差)：学生删除残差/它的标准误2，该点可能是影响点。 ②COOk距离：一个被认为是影响点的观察值被删除后，其他所有观察值残差的变化。此值越大，表示这个被认为是影响点的观察值的影响力越大。 ③Mahalanobis距离(马氏距离)：观察值与自变量平均值之间的距离，用于回归方程中只有一个自变量的情况。距离越大，影响越大。 三、影响分析的指标 ④Leverage Value(中心点杠杆值)：其取值范围：0~(N-1)/N。其值越大，越有影响力。等于0，说明此观察值对回归方程无影响；杠杆值为(N-1)/N，说明此观察值对回归方程的贡献很大。理论上希望所有的观察值的杠杆值都接近于p/N(p为方程中自变量的个数)。当杠杆值2p/N时，说明此观察值的影响力很大。 ⑤Covariance Ratio(协方差比)：用来衡量某个观察值是否对回归系数具有显著的影响的指标。当此值接近1时，表明此观察值不是影响点。 判断界值：| cov ratio -1| ≥3p/N (可能是) N为观察值的个数。 三、影响分析的指标 2/利用回归系数的变化进一步检验影响点 重点检查某个观察值在与不在回归方程时回归系数的变化情况。 凡前后变化的标准偏回归系数： 差值 (N为观察值的个数），可认定为影响点。 三、影响分析的指标 3/SPSS软件影响点的查找（1） 3/SPSS软件影响点的查找（2） ★在回归分析的对话框中，点击Save，根据需要选择要保存的选项； ★在数据窗中查找已经保存好的参数。或再进行别的分析，如绘制残差图等。 这些指标保存到数据文件中。 残差 预测值 距离 预测值的可信区间 ⑴DfBeta(s): 设从数据中剔除第i条记录前后回归系数之差值。一般大于 就可怀疑为强影响点。 ⑵ Standardized DfBeta(s): DfBeta(s)的标准化值，一般2, 或 就可以怀疑该记录为强影响点。 ⑶DfFit: 某观察值代入包含和不包含该自变量的回归方程所得之差。 ⑷ Standardized DfFit): DfFit的标准化值 以上指标越大，为强影响点的可能性就越大 三、影响分析的指标 ⑸Covariance ratio(协方差比):当此值接近1