回歸分析下ppt課件-資料下載頁
2025-05-06 22:03本頁面
【正文】 能提高模型的精度和預(yù)測效果。但加權(quán)最小二乘法是有偏估計(jì)，在異方差不明顯或者錯誤使用權(quán)重時，效果不如 OLS。 實(shí)現(xiàn)過程： ? Analyzeregressionlinear ? Analyzeregressionweight estimation Linear過程 適用于知道具體的數(shù)據(jù)重要性變量，將該變量選入WLS 框 Weight Estimation過程 適用相關(guān)大概的權(quán)數(shù)變量，但其最佳形式不知道，將該變量選入Weight variable 框 ,并選擇權(quán)數(shù)變化的形式。 應(yīng)用舉例 ?假如已知自變量 x和因變量 y，進(jìn)行回歸分析，其中 x為一平均數(shù)，分別由對應(yīng)的 n樣本混合后計(jì)算出來，明顯 n越大 x的變異越小，其權(quán)重則應(yīng)該越大。試?yán)脭?shù)據(jù) n為權(quán)數(shù)在兩個過程中分布利用加權(quán)最小二乘法回歸方程。 嶺回歸 當(dāng)數(shù)據(jù)存在多重共線性我們可以通過逐步回歸剔除一些不必要的變量，這樣可能會去掉一些我們想分析的變量，能否在保留所有變量的基礎(chǔ)上進(jìn)行回歸呢？ 答案是肯定的，我們可以通過嶺回歸做到這點(diǎn)，它實(shí)質(zhì)是 OLS的改良，通過放棄無偏性，以損失部分?jǐn)?shù)據(jù)、降低精度為代價(jià)來尋求效果稍差但回歸系數(shù)更符合實(shí)際的回歸。 嶺回歸的原理及實(shí)現(xiàn) ?在多元回歸方程中，用最小二乘估計(jì)求得的回歸系數(shù)值盡管是其真值 β=(β0,β1,βp)的無偏估計(jì)， β=（ X’X)1XY,由于存在多重共線性 |（ X’X)|接近零，使得估計(jì)估計(jì)值與實(shí)際值可能偏離較遠(yuǎn)，所以引進(jìn) β（ k） =（X’XkI)1XY， k=0時為 OLS，關(guān)鍵在如何選取 k使得效果最好。通過語句實(shí)現(xiàn)： INCLUDE’SPSS所在路徑 \Ridge ’ Ridgereg enter=自變量列表 /dep=因變量 /start= k起始值，默認(rèn) 0 /stop=k終止值，默認(rèn) 1 /inc= 步長，默認(rèn) 應(yīng)用舉例 ?通過 ，研究身長、頭圍和體重推測胎兒受精周齡。 最優(yōu)尺度回歸 ? 假如要研究年齡、居住地和受教育程度對生育子女?dāng)?shù)的影響，明顯居住地和受教育程度分布是定類和定序變量，此時不能用一般的線性回歸。這時可以通過構(gòu)造啞變量（虛擬變量）或通過最優(yōu)尺度回歸，而后者綜合解釋能力更強(qiáng)。 ? 實(shí)現(xiàn)途徑： AnalyzeRegressionOptimal Scaling Thank you
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號-1