高级统计多元回归.pptVIP

第1页，共26页，星期日，2025年，2月5日1.回归模型的拟合度第2页，共26页，星期日，2025年，2月5日简单回归从散点图开始有助我们对变量间的关系有一个形象化的了解。如何对变量间的关系进行更准确的描述？——线性回归画出回归线哪条直线是最优拟合？第3页，共26页，星期日，2025年，2月5日回归线拟合的程度怎样？第4页，共26页，星期日，2025年，2月5日残差从点到线的离差可代表拟合的程度（残差）Residuals第5页，共26页，星期日，2025年，2月5日作回归线使离差的平方和为最小离差=y观测值-y预测值叫做Least-squaresregression回归方程y=a+bxIGRAPH/VIEWNAME=Scatterplot/X1=VAR(salbegin)TYPE=SCALE/Y=VAR(salary)TYPE=SCALE/COORDINATE=VERTICAL/FITLINEMETHOD=REGRESSIONLINEARLINE=TOTAL第6页，共26页，星期日，2025年，2月5日好的模型残差很小R2=0.89第7页，共26页，星期日，2025年，2月5日一般的模型R2=0.35残差较大第8页，共26页，星期日，2025年，2月5日差的模型R2=0.002这里的直线基本不能描述数据第9页，共26页，星期日，2025年，2月5日2.多元回归的方法（method）第10页，共26页，星期日，2025年，2月5日多元回归的方法（method）方法间的区别在于如何处理相关的自变量重叠部分的方差，即用何原则确定变量进入方程的次序标准回归或同时回归：Enter逐步回归：Stepwise层次回归：hierarchical第11页，共26页，星期日，2025年，2月5日标准回归亦称同时回归（simultaneous）重叠部分对R2有贡献，但不分配到任何一个自变量中与其他自变量重叠区域大的自变量的相对重要性可能被忽视第12页，共26页，星期日，2025年，2月5日逐步回归：Stepwise在分析的每一阶段，与因变量有最大偏相关的自变量被加在模型上。变式ForwardBackwardremove拟合度最优，用于探索性回归最好n20IV慎推广，须交互验证第13页，共26页，星期日，2025年，2月5日层次回归：hierarchical研究者根据理论假设确定次序，定义block因果顺序在前的，先进入方程欲考察的重要变量或者放在前，或放在最后应选择statistics…Rsquarechange第14页，共26页，星期日，2025年，2月5日3.多元回归的数据要求第15页，共26页，星期日，2025年，2月5日多元回归的数据要求（1）因变量应为等距/等比型变量。在实际操作中，如果有足够的水平，顺序型变量也可。如果因变量是命名型，则须用判别分析或logisticregression。自变量应为等距/等比型变量。在实际操作中，顺序型变量也可。命名型若为2水平(dichotomies)可直接用。命名型若为多水平，可先转换为dummyvariables。因变量与自变量的关系应为线性。如果变量间关系是曲线的,但具单调性(递增或递减),可通过转换达成线性。如果是U型线,需特殊转换处理。尽管自变量间彼此可以有相关,其相关不可接近完全线性。否则称为multicollinearity。第16页，共26页，星期日，2025年，2月5日多元回归的数据要求（2）被试数目与自变量数目的比率为10:1(根据不同情况在20:1至5:1的范围中);被试数目100没有非常值（Outliers）没有Multicollinearity第17页，共26页，星期日，2025年，2月5日多元回归的统计前提3个前提：因变量残差正态分布残差与预测值呈线性关系在因变量预测值的所有水平上，残差的方差相等散点图：纵轴为因变量的预测值（ZPRED），横轴为残差（ZRESID）第18页，共26页，星期日，2025年，2月5日残差图残差图告诉我们回归线在不同变量水平的拟合程度第19页，共26页，星期日，2025年，2月5日残差图提供的重要信息残差的系统分布提示有未被解释的系统性方差自变量增大时，残差增大。变量间的关系不是线性的第20页，共26页，星期日，2025年，2月5日③例④