安徽大学《管理统计学》课件-第9章多元回归.pptxVIP

第九章多元线性回归分析 安徽大学《管理统计学》 9 多元线性回归 9.1 多元线性回归模型 9.2 回归方程的拟合优度 9.3 显著性检验 9.4 *多重共线性 9.5 利用回归方程进行估计和预测 9.6 虚拟自变量的回归 学习目标 1. 回归模型、回归方程、估计的回归方程 2. 回归方程的拟合优度 回归方程的显著性检验 *多重共线性问题及其处理 利用回归方程进行估计和预测 虚拟自变量的回归问题 9.1 多元线性回归模型 多元回归模型与回归方程 估计的多元回归方程 参数的最小二乘估计 多元回归模型与回归方程 多元回归模型 (multiple regression model) 一个因变量与两个及两个以上自变量的回归 描述因变量 y 如何依赖于自变量 x1 ， x2 ，…， xp 和误差项  的方程，称为多元回归模型 涉及 p 个自变量的多元回归模型可表示为 b0 ，b1，b2 ，，bp是参数  是被称为误差项的随机变量 y 是x1,，x2 ， ，xp 的线性函数加上误差项  包含在y里面但不能被p个自变量的线性关系所解释的变异性 多元回归模型(基本假定) 误差项ε是一个期望值为0的随机变量，即E()=0 对于自变量x1，x2，…，xp的所有值，的方差2都相同 误差项ε是一个服从正态分布的随机变量，即ε~N(0,2)，且相互独立 多元回归方程 (multiple regression equation) 描述因变量 y 的平均值或期望值如何依赖于自变量 x1， x2 ，…，xp的方程 多元线性回归方程的形式为 E( y ) = 0+ 1 x1 + 2 x2 +…+ p xp b1，b2，，bp称为偏回归系数 bi 表示假定其他变量不变，当 xi 每变动一个单位时，y 的平均平均变动值 二元回归方程的直观解释 估计的多元回归方程 估计的多元回归的方程(estimated multiple regression equation) 是 估计值 是 y 的估计值 用样本统计量 估计回归方程中的 参数 时得到的方程 由最小二乘法求得 一般形式为 参数的最小二乘估计 参数的最小二乘法 求解各回归参数的标准方程如下 使因变量的观察值与估计值之间的离差平方和达到最小来求得 。即 参数的最小二乘法(例题分析) 【例】一家大型商业银行在多个地区设有分行，为弄清楚不良贷款形成的原因，抽取了该银行所属的25家分行2002年的有关业务数据。试建立不良贷款(y)与贷款余额(x1)、累计应收贷款(x2)、贷款项目个数(x3)和固定资产投资额(x4)的线性回归方程，并解释各回归系数的含义 用SPSS进行回归 9.2 回归方程的拟合优度 多重判定系数 估计标准误差 多重判定系数 多重判定系数(multiple coefficient of determination) 回归平方和占总平方和的比例 计算公式为 因变量取值的变差中，能被估计的多元回归方程所解释的比例 修正多重判定系数(adjusted multiple coefficient of determination) 用样本容量n和自变量的个数p去修正R2得到 计算公式为 避免增加自变量而高估 R2 意义与 R2类似 数值小于R2 SPSS 输出结果的分析 估计标准误差 Sy 对误差项的标准差的一个估计值 衡量多元回归方的程拟合优度 计算公式为 SPSS 输出结果的分析 9.3 显著性检验 线性关系检验 回归系数检验和推断 线性关系检验 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 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