【文章內(nèi)容簡介】 Histogram 時 Normal plot of residual : 畫 殘差的正態(tài)概率圖時 Residuals versus fits:想看殘差的適合性時 Residuals versus order:關(guān)于殘差對比資料的順序 Residuals versus the variables:殘差與變量之間的關(guān)系MinitabRegressionMinitabRegression分析結(jié)果回歸方程式為SCORE2=+P值比留意水準(zhǔn)小，故駁回歸屬假設(shè)。即兩個變量的回歸系數(shù)不是 0。對資料的說明程度 (決定系數(shù) )為%，因第 9個數(shù)據(jù)是非正常數(shù)據(jù)，故需要進(jìn)一步觀察。新數(shù)據(jù)的信賴區(qū)間為(, ), 預(yù)測區(qū)間為(, )。MinitabStepwise216。 說明變量數(shù)量多時，添加或減少變量而選別適當(dāng)?shù)淖兞考蠟槟康?67。所有可能的回歸 : 當(dāng)有 k個變量時，調(diào)查從一個也不包含的模型至包含 k個的 所有模型 167。前進(jìn)選擇法 : 在影響反應(yīng)變量的 k個說明變量中選擇最大影響的變量， 并判斷為再無其它重要變量時 ,停止變量的選擇 167。后進(jìn)選擇法 : 在影響反應(yīng)變量的 k個說明變量中除去影響小的變量， 并判斷為再無可除變量時，停止變量的除去167。階段別回歸方法 :在前進(jìn)選擇法里加后進(jìn)選擇法的方法MinitabStepwise167。Response:輸入反應(yīng)變量 (Pulse2)167。Predictors:輸入說明變量 (Pulse1 RanWeight)167。Predictors to include in every model: 指定先包含的變量167。選擇 Forward selection后指定留意水準(zhǔn)167。留意水準(zhǔn) :把預(yù)測變量追加到回歸模型的基準(zhǔn) (p值小于留意水準(zhǔn)時追加 ) MinitabStepwise167。顯示進(jìn)入模型的預(yù)測變量的最佳程度 (若是 2，則顯示 2個預(yù)測變量 )167。輸入要進(jìn)行幾次操作167?；貧w模型里要追加常數(shù)項(xiàng)時 Stepwise Regression: Pulse2 versus Pulse1, Ran, WeightForward selection. AlphatoEnter: Response is Pulse2 on 3 predictors, with N = 92 Step 1 2 3Constant Pulse1 TValue PValue Ran TValue PValue Weight TValue PValue S RSq RSq(adj) Cp best alt.Variable Ran Weight TValue PValue Variable Weight TValue PValue MinitabBest Subsets216。 在分析者所希望的說明變量中找出最佳模型的分析167。Response:指定反應(yīng)變量167。Free predictors:指定在模型里包含可能性的 變量167。Predictors in all models:指定必須包含在模型 中的變量包含在模型的至少變量數(shù)和最大變量數(shù)在說明變量數(shù)為相同的組合中，指定最高說明結(jié)果的幾個輸出與否結(jié)果解釋在模型選擇上有根據(jù)的統(tǒng)計(jì)量(Rsquare, adjR, Cp)Vars:包含在各模型的說明變量數(shù)。以下是如前所定的 5個說明變量中包含2個至 4個的模型中按 Rsquare高順序所表示的。另在包含 2個、 3個、 4個說明變量的模型 中，每各變量個數(shù)輸出 3個。MinitabBest Subsets216。履行單一回歸步驟 , 繪出回歸圖216。在線型回歸及多項(xiàng)回歸中有用的方法 , 即一個變量對應(yīng)一個反應(yīng)值時。 Options...167。Response:指定反應(yīng)變量167。Predictor:指定說明變量 (僅一個 )167。Type of Regression Model:指定回歸 Model (1,2,3次方程式 )167。Transformations:反應(yīng)變量與說明 變量取 10為底的 Log167。Display Option:表示信賴區(qū)間及 預(yù)測區(qū)間MinitabFitted Line PlotMinitabFitted Line Plot結(jié)果解釋顯示 2次項(xiàng)模型比直線模型更為適合216。殘差 plot 是為回歸分析診斷而使用216。回歸分析時 , 若保存了殘差和推定值 (Fits),則利用 Residual Plot 步驟繪出殘差圖形。?進(jìn)行殘差分析之前應(yīng)先保存殘差和適合值 Stat Regression Storage : 把 Fits與 Residual check167。Residuals : 指定殘差167。Fits : 指定反應(yīng)變量的推定值MinitabResidual PlotsMinitabResidual Plots顯示為檢查殘差是否近似于正態(tài)分布的正態(tài)概率圖，接近直線時為良好。用類似于正態(tài)概率圖的用途顯示全面的殘差形態(tài)的圖象，正態(tài)分布形態(tài)時為良好殘差對適合值的圖象是顯示越小的預(yù)測值 更為適合216。當(dāng)反應(yīng)變量不是連續(xù)性的二分型 (0,1)資料時的回歸分析167。Response:指定反應(yīng)變量167。Frequency:輸入頻率數(shù)167。存在成功與試行次數(shù) , 成功與失敗 , 失敗 與試行次數(shù)形態(tài)的反應(yīng)變量時，各自輸入 。 167。Model:指定說明變量 167。Factors:在說明變量中指定離散型變量Graph...167。指定為回歸模型診斷的各種圖象MinitabBinary Logistic RegressionResults...通過圖象診斷過程中顯示不適合模型的值有 2個。在圖象上按鼠標(biāo)右鍵則出現(xiàn) Play菜單，并通過 Brush確認(rèn)是第 31號值與第 66號值MinitabBinary Logistic RegressionBinary Logistic RegressionLink Function: LogitResponse InformationVariable Value CountRestingP Low 70 (Event) High 22 Total 92Factor InformationFactor Levels ValuesSmokes 2 No YesLogistic Regression Table Odds 95% CIPredictor Coef StDev Z P Ratio Lower UpperConstant Smokes Yes Weight = Test that all slopes are zero: G = , DF = 2, PValue = TestsMethod ChiSquare DF PPearson 47 Deviance 47 8 Brown:General Alternative 2 Symmetric Alternative 1 Table of Observed and Expected Frequencies:(See HosmerLemeshow Test for the Pearson ChiSquare Statistic) GroupValue 1 2 3 4 5 6 7 8 9 10 TotalLow Obs 4 6 6 8 8 6 8 12 10 2 70 Exp High Obs 5 4 3 1 1 3 2 3 0 0 22 Exp Total 9 10 9 9 9 9 10 15 10 2 92Measures of Association:(Between the Response Variable and Predicted Probabilities)Pairs Number Percent Summary MeasuresConcordant 1045 % Somers39。 D Discordant 461 % GoodmanKruskal Gamma 34 % Kendall39。s Taua Total 1540 %結(jié)果解釋在 Logistic回歸 Table中Smoke與 Weight 在留意水準(zhǔn) 5%以內(nèi)有意義。并且 p值為 ，故判斷為至少一個不是 0。實(shí)施適合度判定，如有 p值小于，但在此顯示適合。在 Measures of Association 上 Pairs部分是一致的結(jié)果，Summary Measures表示預(yù)測力的尺度。(越接近 1為越好的預(yù)測力 )MinitabBinary Logistic RegressionMinitabOrdinal Logistic Regression216。 反應(yīng)變量按順序型顯示的 logistic回歸模型167。Response:指定反應(yīng)變量167。Frequency:輸入頻率數(shù)167。存在成功與試行次數(shù) , 成功與失敗 , 失敗與 試行次數(shù)形態(tài)的反應(yīng)變量時，各自輸入。 167。Model:指定說明變量167。Factors:Regionr 的 pvalue= 比留意水準(zhǔn)，故沒有影響。在這模型中刪除 Region 后 , 再進(jìn)行分析為好。MinitabOrdinal Logistic Regression216。 反應(yīng)變量為名目型 (性別 , 郵編 , 學(xué)號等 ) 資料構(gòu)成的 logistic 回歸模型。167。Response:指定反應(yīng)變量167。Frequency:輸入頻率數(shù)167。存在成功與試行次數(shù) , 成功與失敗 , 失敗與 試行次數(shù)形態(tài)的反應(yīng)變量時各自輸入。 167。Model:指定說明變量167。Factors:MinitabNominal Logistic Regression4. 分散分析Minitab分散分析基礎(chǔ) 216。尋找說明變量與反應(yīng)變量關(guān)系式的方法論?一元配置分散分析 (DATA形態(tài)為 Stack 的時候 )?一元配置分散分析 (DATA形態(tài)為 Unstack 的時候 )?二元配置分散分析?平均分析?均型分散分析 (在各水準(zhǔn)反復(fù)相同的時候 )