多元回歸分析ppt課件-在線瀏覽
2025-06-15 23:04本頁面
【正文】 則進入方程 。 ? 向前法只對進入方程的變量的回歸系數(shù)進行顯著性檢驗，而對已經(jīng)進入方程的其他變量的回歸系數(shù)不再進行顯著性檢驗，即：變量一旦進入方程就不回被剔除 ? 隨著變量的逐個引進，由于變量之間存在著一定程度的相關性，使得已經(jīng)進入方程的變量其回歸系數(shù)不再顯著，因此會造成最后的回歸方程可能包含不顯著的變量。 – 默認 :回歸系數(shù)檢驗的概率值小于 PIN()才可以進入方程 . ? 反復上述步驟 ,直到?jīng)]有可進入方程的自變量為止 . 多元線性回歸分析中的自變量篩選 (三 )自變量向后篩選法 (backward): ? 即 :自變量不斷剔除出回歸方程的過程 . ? 首先 ,將所有自變量全部引入回歸方程； ? 其次 ,在一個或多個 t值不顯著的自變量中將 t值最小的那個變量剔除出去 ,并重新擬和方程和進行檢驗 。 ? 并非自變量引入越多越好 .原因 : – 有些自變量可能對因變量的解釋沒有貢獻 – 自變量間可能存在較強的線性關系 ,即 :多重共線性 . 因而不能全部引入回歸方程 . 多元線性回歸分析中的自變量篩選 (二 )自變量向前篩選法 (forward): ? 即 :自變量不斷進入回歸方程的過程 . ? 首先 ,選擇與因變量具有最高相關系數(shù)的自變量進入方程 ,并進行各種檢驗 。反之，不能拒絕 H0 )1/()?(/)?(22?????? ? knyykyyFiii多元線性回歸方程的檢驗 (三 )回歸系數(shù)的顯著性檢驗 (1)目的 :檢驗每個自變量對因變量的線性影響是否顯著 . (2)H0:βi=0 即 :第 i個回歸系數(shù)與 0無顯著差異 (3)利用 t檢驗 ,構(gòu)造 t統(tǒng)計量： – 其中 :Sy是回歸方程標準誤差 (Standard Error)的估計值，由均方誤差開方后得到，反映了回歸方程無法解釋樣本數(shù)據(jù)點的程度或偏離樣本數(shù)據(jù)點的程度 – 如果某個回歸系數(shù)的標準誤差較小，必然得到一個相對較大的 t值，表明該自變量 xi解釋因變量線性變化的能力較強。第八章 SPSS的相關分析和 回歸分析（三） 多元線性回歸分析 多元線性回歸分析的主要問題 – 回歸方程的檢驗 – 自變量篩選 – 多重共線性問題 多元線性回歸分析應用舉例 ? 根據(jù) 10個市場區(qū)在特定周內(nèi)某產(chǎn)品的銷售額、廣告費、人口密度數(shù)據(jù) ,建立銷售額的預測模型 多元線性回歸分析操作 (1)菜單選項 : analyzeregressionlinear… (2)選擇一個變量為因變量進入 dependent框 (3)選擇一個或多個變量為自變量進入 independent框 (4)選擇多元回歸分析的自變量篩選方法 : – enter:所選變量全部進入回歸方程 (默認方法 ) – remove:從回歸方程中剔除變量 – stepwise:逐步篩選； backward:向后篩選； forward:向前篩選 (5)對樣本進行篩選 (selection variable) – 利用滿足一定條件的樣本數(shù)據(jù)進行回歸分析 (6)指定作圖時各數(shù)據(jù)點的標志變量 (case labels) 多元線性回歸方程的檢驗 (一 )擬和優(yōu)度檢驗 : (1)判定系數(shù) R2: – R是 y和 xi的復相關系數(shù) (或觀察值與預測值 的 相關系數(shù) ),測定了因變量 y與所有自變量全體之間線性相關程度 (2)調(diào)整的 R2: – 考慮的是平均的剩余平方和 ,克服了因自變量增加而造成 R2也增大的弱點 – 在某個自變量引入回歸方程后，如果該自變量是理想的且對因變量變差的解釋說明是有意義的，那么必然使得均方誤差減少，從而使調(diào)整的 R2得到提高；反之，如果某個自變量對
教學課件相關推薦
鄂ICP備17016276號-1