《回归分析二》课件.pptVIP

12 2021/10/15 * Stepwise 模型是否符合 纳入标准 开始 剔出模型 是否还存在 备择自变量 结束 是 否 否 是 模型是否符合 剔出标准 纳入模型 否 2021/10/15 * 第三节 显著性检验 线性关系检验 回归系数检验和推断 2021/10/15 * 线性关系检验 2021/10/15 * 线性关系检验 检验因变量与所有自变量之间的是否显著 也被称为总体的显著性检验 检验方法是将回归离差平方和(SSR)同剩余离差平方和(SSE)加以比较,应用 F 检验来分析二者之间的差别是否显著 如果是显著的，因变量与自变量之间存在线性关系 如果不显著，因变量与自变量之间不存在线性关系 2021/10/15 * 线性关系检验 提出假设 H0:?1??2????p=0 线性关系不显著 H1：?1,?2，?，?p至少有一个不等于0 2. 计算检验统计量F 3. 确定显著性水平?和分子自由度p、分母自由度n-p-1找出临界值F ? 4. 作出决策:若FF ?,拒绝H0 SPSS输出结果的分析 2021/10/15 * 回归系数检验和推断 2021/10/15 * 回归系数的检验(步骤) 提出假设 H0: bi = 0 (自变量 xi 与 因变量 y 没有线性关系) H1： bi ? 0 (自变量 xi 与 因变量 y有线性关系) 计算检验的统计量 t 确定显著性水平?,并进行决策 ? t?t???，拒绝H0; ? t?t???，不能拒绝H0 SPSS输出结果的分析 2021/10/15 * 回归系数的推断 (置信区间) ?回归系数在(1-?)%置信水平下的置信区间为 回归系数的抽样标准差 SPSS 输出结果的分析 2021/10/15 * F检验与t检验的结果出现矛盾 当F检验通过时,某些自变量的回归系数没有通过t检验，并不一定意味着这些自变量对因变量就没有影响 以上情况可能是由于自变量之间存在较大的相关性所导致的。 2021/10/15 * 第四节 多重共线性 (Multi Collinearity) 多重共线性及其所产生的问题 多重共线性的判别 多重共线性问题的处理 2021/10/15 * 多重共线性及其产生的问题 2021/10/15 * 多重共线性(multicollinearity) 回归模型中两个或两个以上的自变量彼此线性相关时,回归方程中的自变量就会互相削弱各自对应变量的边际影响，使本身的回归系数下降而其标准误扩大。 当自变量之间是非线性相关时，不一定产生严重的多重共线性问题 多重共线性带来的问题有 整体方程通过显著性检验，但回归系数却不显著 方程中的参数不稳定，即用不同的样本计算的回归系数的差别会很大，从而导致预测困难 2021/10/15 * 多重共线性的识别 2021/10/15 * 多重共线性的识别 检测多重共线性的最简单的一种办法是计算模型中各对自变量之间的相关系数,并对各相关系数进行显著性检验 若有一个或多个相关系数显著，就表示模型中所用的自变量之间相关，存在着多重共线性 如果出现下列情况，暗示存在多重共线性 模型中各对自变量之间显著相关。 当模型的线性关系检验(F检验)显著时，几乎所有回归系数的t检验却不显著 当模型拟合较好，但回归系数的显著性却不高 回归系数的正负号和预期的相反。 一些重要的自变量的回归系数的标准误差较大时 当增加或减少一个自变量或改变一个观测值时，回归系数的估计值发生较大的变化 2021/10/15 * 容忍度与方差膨胀因子(tolerance and VIF) Tolerance: 每个自变量 作为因变量对其它自变量回归时得到的余差比例。 即为: 容忍度的值小于0.1,则被认为存在多重共线性。 VIF为Tolerance的倒数。 特征值(eigenvalue)如果趋近于0，则存在多重共线性 条件指数(condition index)为15以上则存在多重共线性，为30以上则存在严重的多重共线性。 SPSS 输出结果的分析 2021/10/15 * 多重共线性问题的处理 2021/10/15 * 多重共线性(问题的处理) 删除与Y相关程度不高,但与其它自变量高度相关的变量 删除可以被其它自变量线性表示的变量 增大样本容量 使用因子分析减少自变量的个数 2021/10/15 * 残差分析 残差分析的目的: 1.证实模型中误差项随机变量 的假设,这是整个回归分析的基础; 2.检查数据集中可能包含的异常值。 与一元回归分析中的残差分析基本类似 2021/10/15 * 利用回归方程进行估计和预测 SPSS软件应用 2021/10/