(完整版)多元线性回归模型原理.docxVIP

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 0 1x1 2 x2k xk 其中 0, 1,L k 是 k 1个未知参数， 0 称为回归常数， 1 ,L k 称为回归系数； y 称为被解释变量； x1 , x2 , L xk 是 k 个可以精确可控制的一般变量，称为解释变量。 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 2 var( ) 同样，多元线性总体回归方程为 y 0 1x1 2 x2 L k xk 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： ? ? ? ? L ? y 0 1 x1 2 x2 k xk 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 式： SSE 2 ( y ?) 0 i y SSE 2 ( y y?)xi 0 0 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： R2SSR 1 SSE ( y y)2 1 y)2 SST SST ( 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， 0 R2 1， R2 越接近 1，回归平面拟合程度越高，反之， R2 越接近 0，拟合程度越低。 R2 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 R2 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 R2 增大。由于增加自变量个数引起的 R2 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， R2 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 R2 为： R 1 SSE/ (n k 1) 1 SSE? n 1 1 (1 R2) n 1 2 SST / ( n 1) SST n k 1 n k 1 2 由上时可以看出， 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 般在线性回归分析中， 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 作一结合转换，可得：  F 统计量的公式与  R2 的公式 R2  / k F  (1  R2 ) /( 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。