第9章 线性回归分析学习资料.pptVIP

单击Save按钮，弹出如下对话框，勾选Predicted values复选框和Residuals复选框；单击Continue按钮返回主界面。 权重估计 （ Weight Estimation ） 权重估计（ Weight Estimation ） 标准线性回归模型假定残差序列应该是等方差的，但是由于某些客观特征的存在，异方差的现象也常常存在。如果出现异方差的现象，可以用权重估计法（即加权最小二乘法）来替代普通最小二乘法来进行回归分析。 权重估计法的实质是在回归计算过程中给不同的观测值以不同的权数，变差小的观测值给予较大的权数，变差大的观测值给予较小的权数。权重估计的关键就是确定加权变量的权数值。SPSS中给定一个加权范围，然后根据似然值越大越好的原则，给出一个最佳的权数建议值，并据此利用加权最小二乘法建立回归方程。 对数据的要求和假设： 1.自变量和因变量必须是数值型变量 2.权重变量应为数值型变量，并与因变量的变异性相关； 3.对于自变量的每个值，因变量的分布必须是正态的。因变量和每个自变量之间的关系应是线性的，且所有观察值应是独立的 4.因变量的方差对于自变量的不同级别可能不同，但是必须能够根据权重变量预测此差异。 引例： 某建筑商考虑开发兴建商场，构建建筑成本预测线性模型。主要因素包括面积，建设建议是室内还是室外广场，以及建筑师的经验。 开发人员知道，随着商场面积大小的增加，建筑成本会随之增加。他们怀疑这样建筑成本会更多变，也就是说不能准确的预测建筑成本。这将违反典型的线性回归的假设，但可能满足权重估计模型。 权重估计步骤: 1.方差诊断 先利用最小二乘法对原始数据建立简单线形模型，并绘制其残差对预测值的散点图，如果残差均匀分布在 某条与横轴平行的横线附近，说明样本的方差基本相等；反之，如果方差呈现明显的喇叭状或其他不规则形状，说明样本方差不相等，必须进行加权最小二乘法(WLS)估计。 如果只有一个自变量，可以直接作因变量对自变量的散点图，观察因变量的分布是否均匀，判断方法与残差图相似。 2.权重估计 如果认为因变量的方差与其他变量之间存在相关关系，就可以使用(WLS)方法进行估计权重。 操作步骤 一、初步残差分析（使用最小二乘法OLS回归） 1、依次单击菜单Analyze → Regression →Linear进行线性回归分析 设定因变量和自变量 2、设置因变量和自变量 3、点击Plot键设置散点图坐标参数 4、点击Save键保存 二、权重估计 1．依次单击菜单Analyze→Regression→Weight Estimation 执行加权回归分析的功能 2.变量设置（因变量、自变量、加权变量） 3.选项设置 Options 因变量 *标准化预测值 *标准化残差 *剔除残差 *修正后预测值 *学生化残差 *学生化剔除残差 （3）Omnibus Test of Model Coefficients表格列出了模型系数的Omnibus Tests 结果。 （4）Model Summary 表给出了-2对数似然值、Cox 和 Snell 的R2 以及Nagelkerke的R2 检验统计结果。 模型系数的综合检验 模型汇总 cox和snell的R2是在似然值基础上模仿线性回归模型的R2解释Logistic回归模型，一般小于1. 为了对cox和snell的R2进一步调整，使得取值范围在0—1之间，Nagelkerke把cox和snell的R2除以它的最大值，即Nagelkerke的R2 （5）Hosmer and Lemeshow Test 表格以及Contingency Table for Hosmer and Lemeshow Test表格给出了Hosmer 和 Lemeshow 的拟合优度检验统计量。 Hosmer and Lemeshow检验 Hosmer and Lemeshow检验的随机性表 与一般拟合优度检验不同，Hosmer和Lemeshow的拟合优度检验通常把样本数据根据预测概率分为10组，然后根据观测频数和期望频数构造卡方统计量(即Hosmer和Lemeshow的拟合优度检验统计量，简称H—L拟合优度检验统计量)，最后根据自由度为8的卡方分布计算其p值并对Logistic模型进行检验。如果该P值小于给定的显著性水平α (如α＝0.05)，表明模型的预测值与观测值存在显著差异。如果P值大于给定的显著性水平，表明在可接受的水平上模型的估计拟合了数据。 大于0.05，表明拟合了数据 （6）Classification Table 分类表说明第一次迭代结果的拟合效果，从该表格可以看出对于y=0，有