怎樣使用mintab進(jìn)行回歸分析-文庫吧
2025-06-08 18:10 本頁面
【正文】 nd the R matrix of the QR or Cholesky deposition. (The variancecovariance matrix of the coefficients is MSE*(XX)1.) See Help for information on these matrices. 殘差分析及回歸推斷 當(dāng)建立了回歸關(guān)系模，回歸分析通常沒有完成。您同樣也可以檢驗殘差圖和其它回歸推理來評定殘差圖是否是隨機(jī)和正態(tài)分布。 MINITAB通過圖形子對話圖提供許多殘差圖，做為選擇，關(guān)系模型及殘差被存儲以后，您可以使用統(tǒng)計回歸殘差圖命令可以在同一圖形窗口獲得四個殘差圖。 MINITAB也可以用回歸推理來識別不正常的觀測值，這些觀測值可能對回歸結(jié)果產(chǎn)生很顯著的影響，參考29頁識別OUTLIERS，您可檢驗一下這些異常數(shù)據(jù)看它們是否正確。假如這樣的話，您可以確定它們?yōu)槭裁串a(chǎn)生異常以及它們對回歸關(guān)系方程有什么影響。您也可以驗證當(dāng)存在OUTLIERS時，回歸結(jié)果的敏感程度。Outliers可以暗示關(guān)系模型不充分或者需要另外的信息。 選擇殘差類型 您可以計算三各殘差類型，使用下表可以幫助您選擇哪種圖形。 殘差類型 選擇您需要列 計算方法 常規(guī) examine residuals in the original scale of the data response fit 標(biāo)準(zhǔn) 使用rule of thumb來識別與關(guān)系模型關(guān)聯(lián)關(guān)系不十分密切的觀測值。一個標(biāo)準(zhǔn)的殘差絕對值大于2，MINITAB將這些觀測值顯示在異常觀測值表中，并有R表示。 (殘差)/(殘差的標(biāo)準(zhǔn)差) Studentized 識別與關(guān)系模型關(guān)聯(lián)關(guān)系不十分密切的觀測值，刪除影響變量估計及參數(shù)估計的觀測值。較大的Studentized殘差絕對值表明關(guān)系模型中包含該觀測值將會增大誤差變化或者它對參數(shù)的估計有很大的影響，或者對二者都有影響。 (殘差)/(殘差的標(biāo)準(zhǔn)差) 第I個studentized殘差值是用第I個被刪除的觀測值計算出來的。 殘差圖 MINITAB可以產(chǎn)生殘差圖這樣您就可以驗證您建立的關(guān)系模型的擬合度，您可以選擇以下殘差圖： 殘差正態(tài)分布圖：如果殘差服從正態(tài)分布，圖中的點將基本形成一條直線。如果圖中的點背離了該直線，殘差服從正態(tài)布的假設(shè)就會不成立，檢驗數(shù)據(jù)是否服從正態(tài)分布，可以使用統(tǒng)計基本統(tǒng)計正態(tài)檢驗(143)。 殘差柱狀圖：該圖必須類似正態(tài)分布圖并且其平均值為0(鐘形)，許多點串遠(yuǎn)離零點，關(guān)系模型之外的因子可能影響了您的結(jié)果。 殘差及擬合度：本圖應(yīng)該顯示的是殘差應(yīng)是隨機(jī)的分布在0周圍。在殘差圖內(nèi)應(yīng)該沒有任何recognizable patterns，以下的幾點可以說明殘差圖是非隨機(jī)的： 幾點連續(xù)上升或下降 絕大部分的點是正殘差，或絕大部的點是負(fù)殘差。 – patterns such as increasing residuals with increasing fits 殘差與順序圖：本圖所有殘差都是按照數(shù)據(jù)搜集順序排列的，它可以用來發(fā)現(xiàn)非隨機(jī)錯誤，特別是與時間相關(guān)的影響。 殘差圖與其變量圖：這是個殘差與其它變量圖。一般地，你可以使用關(guān)系模型中預(yù)測因子或變量來檢查一下您的是否有您想要圖形。如果某些殘差值被考慮，您可以用刷子工具來標(biāo)識這些值，您可以參考MINITAB使用者指南中Brushing Graphs的章節(jié)。 加權(quán)回歸分析 加權(quán)最小二乘法回歸分析用來分析觀測值中包含有非常量變量的一種方法。如果變量不是常量變量那么： 1) 帶有大變量的觀測值應(yīng)相應(yīng)地加上較小的權(quán)重。 2) 帶有小變量的觀測值應(yīng)相應(yīng)地加上較大的權(quán)重。 一般情況的權(quán)重是響應(yīng)中純誤差變量相反值。 The usual choice of weights is the inverse of pure error variance in the response. 加權(quán)回歸分析 回歸回歸選項 “權(quán)重”欄中，輸入包含權(quán)重的列，權(quán)重必須大于或等于0，在每個對話框中單擊“確定” ，MINITAB產(chǎn)生了n 180。 n的矩陣W，權(quán)重列作為矩陣的對角和零點。MINITAB使用(X162。WX)1 (X162。WY)來計回歸系數(shù)，這樣就等于將加權(quán)平方和誤差最小化。 ，式中wi為權(quán)重。 通過原點的回歸 一般的情況下， y截矩(也叫常數(shù)項)被包含在等式，因此minitab選用下面關(guān)系模型： 然而，如果在x=0時，響應(yīng)值也自然為0時，可以選用一個沒有截矩的關(guān)系模型。如果是這樣，在選項子對話框中，不選截矩項，并且b0項就會被忽略，minitab選用下面的關(guān)系模型： 因為當(dāng)沒有常數(shù)項解釋R2是非常困難的，所以R2沒有顯示出來。如果您想比較帶有截矩項與不帶有截矩項關(guān)系模型的擬合度，可以進(jìn)行平均值平方誤差及驗證殘差圖。 變量inflation factor The variance inflation factor (VIF) 用來檢測一個預(yù)測因子和剩下的預(yù)測因子是否有很強(qiáng)的線性關(guān)系(預(yù)測因子中存在多重共線性)。如果您的預(yù)測因子是相關(guān)的(或多重線性相關(guān))時，VIF測量的是估計的回歸因子增加程序。VIF=1時表明因子之間不相關(guān)，所有預(yù)測因子中最大的VIF通常是用來作為多重共線性的指示。Montgomery and Peck [21]建議當(dāng)VIF大于510時，回歸系數(shù)估計得毫無結(jié)果。 你應(yīng)該考慮使用選項中的方法來分散預(yù)測因子間的多重共線性： 重新搜集數(shù)據(jù)，刪除預(yù)測因子，使用不同的預(yù)測因子或最小二乘法回歸分析的
畢業(yè)設(shè)計相關(guān)推薦
鄂ICP備17016276號-1