应用回归分析（第四版）何晓群-第3章 多元线性回归.pptVIP

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。 * * 中国人民大学六西格玛质量管理研究中心 一般来说,当接受假设H0时,认为在给定的显著性水平α之下,自变量x1,x2,…,xp对因变量y无显著性影响,于是通过x1,x2,…,xp去推断y也就无多大意义。在这种情况下,一方面可能这个问题本来应该用非线性模型去描述,而我们误用线性模型描述了,使得自变量对因变量无显著影响;另一方面可能是在考虑自变量时由于我们认识上的局限性把一些影响因变量y的自变量漏掉了。这就从两个方面提醒我们去重新考虑建模问题。 * * 中国人民大学六西格玛质量管理研究中心 当我们拒绝了假设H0时,我们也不能过于相信这个检验,认为这个回归模型已经很完美了。其实当拒绝H0时,我们只能认为这个回归模型在一定程度上说明了自变量x1,x2,…,xp与因变量y的线性关系。因为这时仍不能排除我们漏掉了一些重要的自变量。参考文献［2］的作者认为,此检验只宜用于辅助性的、事后验证性质的目的。研究者在事前根据专业知识及经验,认为已把较重要的自变量选入了,且在一定误差限度内认为模型为线性是合理的。经过样本数据计算后,可以用来验证一下,原先的考虑是否周全。这时,若拒绝H0,可认为至少并不与他原来的设想矛盾。如果接受H0,可以认为模型是不能反映因变量y与自变量x1,x2,…,xp的线性关系,这个模型就不能应用于实际预测和分析。 * * 中国人民大学六西格玛质量管理研究中心 当样本容量n较小,变量个数p较大时,F检验或t检验的自由度太小,这时尽管样本决定系数R2很大,但参数估计的效果很不稳定。我们曾发现一个实际应用例子暴露出这方面的问题。有文献在研究建筑业降低成本率y对流动资金x1、固定资金x2、优良品率x3、竣工面积x4、劳动生产率x5、施工产值x6的关系时,利用书上表3.8数据建立回归方程,得回归方程 SST=154.764 6, SSR=143.45, SSE=11.314 6 F=4.226, R2=0.92679 * * 中国人民大学六西格玛质量管理研究中心 由于R2=0.92679,所以该文献中作者认为上述回归方程非常显著。其实进一步作F检验,给定α=0.05,查F分布表,F0.05(p,n-p-1)=F0.05(6,2)=19.3。F=4.226＜F0.05(6,2) =19.3。回归方程没有通过F检验。可是该文献当时给错了自由度,查F0.05(6,9)=3.37。结果F＞F0.05(6,9),通过了检验,从而进一步肯定了上述回归方程。 之所以R2在0.9以上,已接近1,方程还通不过F检验,这就是样本容量个数n太小,而自变量又较多造成R2的虚假现象。如果样本容量再稍作改变,未知参数就会发生较大变化,即表现出很不稳定的状况。 * * 中国人民大学六西格玛质量管理研究中心 3.4 回归方程的显著性检验 * * 一、F检验 H0:β1=β2=…=βp=0 SST = SSR + SSE 当H0成立时服从 中国人民大学六西格玛质量管理研究中心 方差来源 自由度 平方和 均方 F值 P值 回归 残差 总和 p n-p-1 n-1 SSR SSE SST SSR/p SSE/(n-p-1) P(FF值) =P值 3.4 回归方程的显著性检验 * * 一、F检验 中国人民大学六西格玛质量管理研究中心 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 * * 中国人民大学六西格玛质量管理研究中心 3.4 回归方程的显著性检验 * * 二、回归系数的显著性检验(t检验) H0j:βj=0, j=1,2,…,p ～Ｎ（β,σ２（Ｘ＇X）-1） 记 (Ｘ＇X)-1=（cij) i,j=0,1,2,… ,p 构造t统计量 其中 中国人民大学六西格玛质量管理研究中心 3.4 回归方程的显著性检验 * * 二、回归系数的显著性检验 输出结果3.1 中国人民大学六西格玛质量管理研究中心 输出结果3.3 * * 中国人民大学六西格玛质量管理研究中心 输出结果3.4 * * 中国人民大学六西格玛质量管理研究中心 3.4 回归方程的显著性检验 * * 二、回归系数的显著性检验 从另外一个角度考虑自变量xj的显著性。 y对自变量x1,x2,…,xp线性回归的残差平方和为SSE，回归平方和为SSR，在剔除掉xj后，用y对其余的p-1个自变量做回归，记所得的残差平方和为SSE（