(完整版)多元线性回归模型原理.docVIP

研究在线性关系相关性条件下，两个或者两个以上自变量对一个因变量，为多元线 性回归分析，表现这一数量关系的数学公式，称为多元线性回归模型。多元线性回归模 型是一元线性回归模型的扩展，其基本原理与一元线性回归模型类似，只是在计算上为 复杂需借助计算机来完成。 计算公式如下： 设随机 y 与一般变量 x1 , x2 ,L xk 的线性回归模型为： y x x x 0 1 1 2 2 k k 其中 , , 0 1 L 是k 1个未知参数， k 0 称为回归常数， 1 ,L k 称为回归系数； y 称为被解释变量； x x L x 是k 个可以精确可控制的一般变量，称为解释变量。 1 , 2 , k 当 p 1时，上式即为一元线性回归模型， k 2时，上式就叫做多元形多元回归 模型。 是随机误差，与一元线性回归一样，通常假设 E ( ) 0 var( ) 2 同样，多元线性总体回归方程为 y x x L x 0 1 1 2 2 k k 系数 1 表示在其他自变量不变的情况下，自变量 x1变动到一个单位时引起的因变 量 y 的平均单位。其他回归系数的含义相似，从集合意义上来说，多元回归是多维空间 上的一个平面。 多元线性样本回归方程为： ? ? ? ? ? y x x L x 0 1 1 2 2 k k 多元线性回归方程中回归系数的估计同样可以采用最小二乘法。由残差平方和 : SSE ( y y? ) 0 根据微积分中求极小值得原理，可知残差平方和 SSE存在极小值。欲使 SSE达到 最小， SSE对 0 , 1 ,L k 的偏导数必须为零。 将SSE对 0 , 1 ,L k 求偏导数，并令其等于零，加以整理后可得到 k 1各方程 SSE 式： 2 ( ?) 0 y y i SSE 0 2 ( y y?)x 0 i 通过求解这一方程组便可分别得到 0 , 1 ,L k 的估计值 ?0 ? ， 1 ，··· ? k 回归系 数的估计值，当自变量个数较多时，计算十分复杂，必须依靠计算机独立完成。现在， 利用 SPSS，只要将数据输入，并指定因变量和相应的自变量，立刻就能得到结果。 对多元线性回归， 也需要测定方程的拟合程度、 检验回归方程和回归系数的显著性。 测定多元线性回归的拟合度程度，与一元线性回归中的判定系数类似，使用多重判 定系数，其中定义为： 2 R 2 2 ( y y) SSR SSE 1 1 SST SST ( y y) 式中， SSR为回归平方和， SSE为残差平方和， SST为总离差平方和。 同一元线性回归相类似， 2 0 R 1， 2 R 越接近 1，回归平面拟合程度越高，反之， 2 R 越接近 0，拟合程度越低。 2 R 的平方根成为负相关系数 (R) ，也成为多重相关系数。 它表示因变量 y 与所有自变量全体之间线性相关程度，实际反映的是样本数据与预测数 据间的相关程度。判定系数 2 R 的大小受到自变量 x 的个数 k 的影响。在实际回归分析中 可以看到，随着自变量 x 个数的增加，回归平方和 (SSR) 增大，是 2 R 增大。由于增加自 变量个数引起的 2 R 增大与你和好坏无关， 因此在自变量个数 k 不同的回归方程之间比较 拟合程度时， 2 R 不是一个合适的指标，必须加以修正或调整。 调整方法为：把残差平方和与总离差平方和纸币的分子分母分别除以各自的自由 度，变成均方差之比，以剔除自变量个数对拟合优度的影响。调整的 2 R 为： 2 SSE/ (n k 1) SSE n 1 2 n 1 R 1 1 ? 1 (1 R ) SST / (n 1) SST n k 1 n k 1 由上时可以看出， 般在线性回归分析中， 2 R 考虑的是平均的残差平方和，而不是残差平方和，因此，一 2 R 越大越好。 从F 统计量看也可以反映出回归方程的拟合程度。将 F 统计量的公式与 2 R 的公式 作一结合转换，可得： F 2 R / k 2 (1 R ) /( n k 1) 可见，如果回归方程的拟合度高， F 统计量就越显著； F 统计量两月显著，回归方 程的拟合优度也越高。