回歸分析部分ppt課件-資料下載頁
2025-05-06 22:03本頁面
【正文】 ； 5. 蛛網(wǎng)現(xiàn)象可能帶來序列的自相關(guān)性； 6. 對數(shù)據(jù)加工處理而導(dǎo)致誤差項之間產(chǎn)生自相關(guān)性。 c o v ( , ) 0 ,ij ij?? ??自相關(guān)性檢驗方法 ?圖示檢驗法 ?自相關(guān)系數(shù)法 ?DW檢驗 ?回歸檢驗法也很受人們推崇 ?圖示檢驗法 圖示法是一種直觀的診斷方法，其把給定 的回歸模型直接用普通最小二乘法估計參數(shù)， 求出殘差項，描繪殘差的散點，根據(jù)殘差的相 關(guān)性來判斷隨機(jī)項的序列相關(guān)性。 ? 殘差的散點圖通常有兩種繪制方式： 1. 繪制以 為縱坐標(biāo)，以 為橫坐標(biāo)繪制散點圖。 若大部分點落在第 3象限，表明隨機(jī)擾動項存 在著正的序列相關(guān)；若大部分點落在第 4象限，則 隨機(jī)擾動項存在著負(fù)相關(guān)。 2. 按照時間順序繪制回歸殘差項的圖形。 若殘差隨 t的變化逐次有規(guī)律的變化，呈現(xiàn)鋸齒形或循環(huán)形狀的變化，就可斷言殘差存在相關(guān)，表明隨機(jī)擾動存在著序列相關(guān)；若殘差隨 t的變化逐次變化并不斷改變符號，則隨機(jī)擾動存在負(fù)相關(guān)，稱之為蛛網(wǎng)現(xiàn)象；若殘差隨 t變化逐次變化并不頻繁改變符號，而是幾個正的殘差后面跟著幾個負(fù)的，表明隨機(jī)擾動存在正相關(guān)。 te 1te??自相關(guān)系數(shù)法 自相關(guān)系數(shù)的取值范圍為 [1， 1]，當(dāng)自相 關(guān)系數(shù)接近 1時，表明誤差序列存在正相關(guān)，當(dāng) 自相關(guān)系數(shù)接近 1時，表明誤差序列存在負(fù)相 關(guān)。 在實際應(yīng)用中，用殘差求出的樣本自相關(guān) 系數(shù)與樣本量有關(guān)，需要做統(tǒng)計顯著性檢驗才 能確定自相關(guān)性的存在，通常采用 DW檢驗方 法。 ? DW檢驗方法 DW檢驗是一種適用于小樣本的檢驗方 法，且只能用于檢驗隨機(jī)擾動項具有一階自回 歸形式的序列相關(guān)問題。 應(yīng)用 DW檢驗方法，求出 DW值后，根據(jù)樣 本容量 n和解釋變量的數(shù)目 k（包括常數(shù)項）查 DW分布表，得臨界值 dL和 dU。 DW在 [0， dL]，存在正相關(guān)； DW在 （ dL， dU]，不能判定是否有自相關(guān)； DW在 （ dU， 4dU）， 無自相關(guān)； DW在 [4dU， 4dL）， 不能判定是否有自相關(guān) DW在 [4dL， 4]，存在負(fù)相關(guān)。 當(dāng) DW值在 2左右時，無需查表即可認(rèn)為模 型不存在自相關(guān)性。 ? DW檢驗的局限： 1. DW檢驗有兩個不能確定的區(qū)域，一旦 DW值落在這兩個區(qū)域，就無法判斷。這時，只有增大樣本量或選取其他方法； 2. DW統(tǒng)計量的上、下界標(biāo)要求 n15； 3. DW檢驗不適應(yīng)隨機(jī)項具有高階序列相關(guān)的檢驗。 自相關(guān)處理方法 ?若是回歸模型選用不當(dāng)造成自相關(guān)，則應(yīng)改用適當(dāng)?shù)幕貧w模型； ?若是缺少重要的自變量，則應(yīng)增加自變量； ?若上述兩種方法都不能消除序列相關(guān)性，則需采迭代法、差分法、科克倫 奧克特迭代法、普萊斯 溫斯登迭代法等。 ?在實際應(yīng)用中，自相關(guān)系數(shù)接近 1時，我們采用差分法而不用迭代法。 ?一階差分法是對原始數(shù)據(jù)的一種修正，但有時一階差分法可能會過度修正，使得差分?jǐn)?shù)據(jù)中出現(xiàn)負(fù)自相關(guān)的誤差項，故從一定意義上說，差分法要慎用。只有當(dāng)自相關(guān)系數(shù)等于 1或者接近于 1時，差分法效果才會好。 多重共線性檢驗 ? 多重共線性產(chǎn)生的原因 客觀地說，某一經(jīng)濟(jì)現(xiàn)象，涉及多個影響因素 時，這多個影響因素之間大都有一定的相關(guān)性。當(dāng)這 種相關(guān)性較弱時，我們一般認(rèn)為符合多元線性回歸模 型的要求；當(dāng)相關(guān)性較強(qiáng)時，認(rèn)為是一種違背多元線 性回歸模型基本假設(shè)的情形。 研究經(jīng)濟(jì)問題涉及時間序列資料時，容易出現(xiàn)共 線性；利用截面數(shù)據(jù)建立回歸方程也尊在自變量高度 相關(guān)的情形。 多重共線性的診斷方法 ?方差擴(kuò)大因子法 ?特征根判定法 ?直觀判定法 消除多重共線性的方法 ?剔除一些不重要的解釋變量 ?增大樣本容量 ?回歸系數(shù)的有偏估計（嶺回歸、主成分回歸、逐步回歸法、特征根法、偏最小二乘法等）。 ?回歸分析中，有時也需要進(jìn)行數(shù)據(jù)的中心化、標(biāo)準(zhǔn)化處理，也要注意異常值和強(qiáng)影響點的診斷和處理 SAS實現(xiàn) ? reg過程 proc reg data=輸入數(shù)據(jù)集 選項； var 可參與建模的變量列表 (左數(shù)第一 個為因變量 )； model 因變量 =自變量表 /選項； print 輸出結(jié)果； plot 診斷圖形； run； 注： 1. Reg過程是交互式過程，在使用了 nun語句提交了若干個過程步語句后，可繼續(xù)寫其他的 reg過程步語句，提交運行，直到提交 quit語句或開始其他過程步或數(shù)據(jù)步才終止。 2. Model語句中選項用“ selection=選擇方法”，選擇方法指的是自變量選擇方法，包含 none（全用，默認(rèn)）， forward（逐步引入法）， backward（逐步剔除法）， stepwise（逐步篩選法）， maxr（最大增量法）， minr（最小增量法），rsquare（選擇法）， adjrsg（修正選擇法）和 CP（ Mallows的 Cp統(tǒng)計量法） 3. Print di //列出 Yi的預(yù)測值 Yi及置信區(qū)間（ 95%） Print clm // 估計均值 E（ yi）（ i=1， ……n ）及 95%置信限 4. Plot 因變量 *自變量 / conf 95 ； //省略 conf 95 =不帶置信限。
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號-1