《应用回归分析（第四版）》 第3章 多元线性回归 .pptVIP

第三章 多元线性回归 ;3.1 多元线性回归模型;3.1 多元线性回归模型;3.1 多元线性回归模型;*;3.1 多元线性回归模型;3.1 多元线性回归模型;3.1 多元线性回归模型;3.1 多元线性回归模型;3.1 多元线性回归模型;3.1 多元线性回归模型;3.1 多元线性回归模型;3.1 多元线性回归模型;3.2 回归参数的估计 ;3.2 回归参数的估计 ;3.2 回归参数的估计 ;3.2 回归参数的估计 ;3.2 回归参数的估计 ;3.2 回归参数的估计 ;3.2 回归参数的估计 ;四、实例分析 【例3.1】现实生活中，影响一个地区居民消费的因素有很多，例如，一个地区的人均生产总值、收入水平、消费价格指数、生活必需品的花费等。本例选取9个解释变量研究城镇居民家庭平均每人全年的消费性支出y，解释变量为 居民的食品花费， 居民的服装花费， 居民的居住花费， 居民的医疗花费， 居民的教育花费， 地区的职工平均工资， 地区的人均GDP， 地区的消费价格指数， 地区的失业率。本例选取2013年《中国统计年鉴》我国30个省、市、自治区（西藏地区失业率数据缺失，因此从样本中去除西藏）2012年的数据，以居民的消费性支出(元)为因变量，以如上9个变量为自变量作多元线性回归。数据见表3.1，其中，自变量单位为元，因变量单位为百分数。;表3.1;用SPSS 22.0计算出的回归系数见输出结果3.1(65页) 输出结果3.1 回归系数表;因而y对9个自变量的线性回归方程为;3.3 参数估计量的性质 ;*;3.3 参数估计量的性质 ;利用SPSS软件可以方便的计算出的协方差阵与相关阵，的协方差阵与相关阵不属于默认输出值，在Linear Regression对话框中点选Statistics→Covariance matrix 即可。例3.1的数据计算出的的相关阵与协方差阵如表3.2、表3.3所示，其中表的格式已略作修改。;3.3 参数估计量的性质 ;3.3 参数估计量的性质 ;3.3 参数估计量的性质 ;3.4 回归方程的显著性检验;方差来源;对例3.1的数据，用SPSS软件计算出的方差分析表见输出结果3.2。 输出结果3.2 F=298.882;3.4 回归方程的显著性检验;3.4 回归方程的显著性检验;输出结果3.3 ;输出结果3.4 ;3.4 回归方程的显著性检验;3.4 回归方程的显著性检验;3.4 回归方程的显著性检验;3.4 回归方程的显??性检验;3.5 中心化和标准化 ;3.5 中心化和标准化 ;3.5 中心化和标准化 ;3.6 相关阵与偏相关系数 ;3.6 相关阵与偏相关系数 ;3.6 相关阵与偏相关系数 ;3.6 相关阵与偏相关系数 ;3.6 相关阵与偏相关系数 ;3.6 相关阵与偏相关系数 ;3.6 相关阵与偏相关系数 ;3.6 相关阵与偏相关系数 ;3.6 相关阵与偏相关系数 ;3.6 相关阵与偏相关系数 ;3.6 相关阵与偏相关系数 ;以x1表示某种商品的销售量， x2表示消费者人均可支配收入， x3表示商品价格。 从经验上看，销售量x1与消费者人均可支配收入x2之间应该有正相关，简单相关系数r12应该是正的。但是如果你计算出的r12是个负数也不要感到惊讶，这是因为还有其它没有被固定的变量在发挥影响，例如商品价格x3在这期间大幅提高了。反映固定x3后x1与x2相关程度的偏相关系数r12；3会是个正数。 ;3.7 本章小结与评注 ;3.7 本章小结与评注 ;3.7 本章小结与评注 ;3.7 本章小结与评注 ;3.7 本章小结与评注 ;当回归模型的未知参数估计出来后,我们实际上是由n组样本观测数据得到一个经验回归方程,这个经验回归方程是否真正反映了变量y和变量x1,x2,…,xp之间的线性关系,这就需要进一步对回归方程进行检验。一种检验方法是拟合优度检验,即用样本决定系数的大小来衡量模型的拟合优度。样本决定系数R2越大,说明回归方程拟合原始数据y的观测值的效果越好。但由于R2的大小与样本容量n以及自变量个数p有关,当n与p的数目接近时,R2容易接近于1,这说明R2中隐含着一些虚假成分。因此,仅由R2的值很大,去推断模型优劣一定要慎重。前几年我们在著名的《经济研究》杂志也看到有作者忽略了这一问题，犯了统计方法应用的低级错误。;对于回归方程的显著性检验,我们用F统计量去判断假设H0:β1=β2=…=βp=0是否成立。当给定显著性水平α时,F＞Fα(p,n-p-1),则拒绝假设H0,否则不拒绝H0。接受假设H0和拒绝假设H0对于回归方程来说意味着什么,这仍需慎重对待。 ;