【正文】 顯的趨勢，點的散步較隨機，因此加權最小二乘估計的效果較最小二乘估計好。P= 所以方差與自變量的相關性是顯著的。如前期消費額對后期消費額一般會有明顯的影響，有時，經濟變量的這種滯后性表現(xiàn)出一種不規(guī)則的循環(huán)運動，當經濟情況處于衰退的低谷時，經濟擴張期隨之開始，這時，大多數(shù)經濟時間序列上升的快一些。因此，在這樣的時間序列數(shù)據(jù)中，順序觀察值之間的相關現(xiàn)象是恨自然的。 （2）均方誤差MSE可能嚴重低估誤差項的方差。如果忽視這一點，可能導致得出回歸參數(shù)統(tǒng)計檢驗為顯著，但實際上并不顯著的嚴重錯誤結論。 （5）如果不加處理地運用普通最小二乘法估計模型參數(shù)，用此模型進行預測和進行結構分析將會帶來較大的方差甚至錯誤的解釋。 缺點：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，只有增大樣本容量或選取其他方法；DW統(tǒng)計量的上、下界表要求n15,這是因為如果樣本再小，利用殘差就很難對自相關的存在性作出比較正確的判斷；DW檢驗不適合隨機項具有高階序列相關的檢驗。b. 因變量: yDW= 查DW分布表知：=所以DW,故誤差項存在正相關。（3）=*DW= 計算得：22Y’ x’ Y’ X’ 模型匯總b模型RR 方調整 R 方標準 估計的誤差DurbinWatson1.996a.993.993.07395a. 預測變量: (常量), xx。b. 因變量: y3系數(shù)a模型非標準化系數(shù)標準系數(shù)tSig.B標準 誤差試用版1(常量).033.026.220x3.161.008.978.000a. 因變量: y3△=+△即：=++（）（5），擬合的較好。b. 因變量: y系數(shù)a模型非標準化系數(shù)標準系數(shù)tSig.B標準 誤差試用版1(常量).107x1.345.012x2.911.297.029a. 因變量: y回歸方程為：=++DW=Dl 所以誤差項存在正相關殘差圖為：（2）=*DW=模型匯總b模型RR 方調整 R 方標準 估計的誤差DurbinWatson1.688a.474.452a. 預測變量: (常量), x22, x12。b. 因變量: y3系數(shù)a模型非標準化系數(shù)標準系數(shù)tSig.B標準 誤差試用版1(常量).194.847x13.544.000x23.583.274.020a. 因變量: y3此時得方程：△所以回歸方程為： 異常值原因 異常值消除方法 1）數(shù)據(jù)登記誤差，存在抄寫或錄入的錯誤 重新核實數(shù)據(jù) 2）數(shù)據(jù)測量誤差 重新測量誤差 3）數(shù)據(jù)隨機誤差 刪除或重新觀測異常值數(shù)據(jù) 4）缺少重要自變量 增加必要的自變量 5）缺少觀測數(shù)據(jù) 增加觀測數(shù)據(jù)，適當擴大自變 量取值范圍 6）存在異方差 采用加權線性回歸 7）模型選用錯誤，線性模型不適用 改用非線性回歸模型 編號 學生化殘差 刪除學生化殘差 杠桿值 庫克距離1 2 3 4 5 6 7 8 9 10 從上表中看到，小于3，因而根據(jù)學生化殘差診斷認為數(shù)據(jù)不存在異常值。 最大，因而從杠桿值看第6個數(shù)據(jù)是自變量的異常值，大于1，這樣第6個數(shù)據(jù)為異常值的原因是由自變量異常與因變量異常兩個原因共同引起的。b. 預測變量: (常量), 受災面積x6, 建筑業(yè)x3, 農業(yè)x1, 最終消費x5, 工業(yè)x2。d. 預測變量: (常量), 農業(yè)x1, 最終消費x5, 工業(yè)x2。b. 預測變量: (常量), 受災面積x6, 建筑業(yè)x3, 農業(yè)x1, 最終消費x5, 工業(yè)x2。d. 預測變量: (常量), 農業(yè)x1, 最終消費x5, 工業(yè)x2。b. 預測變量: (常量), 最終消費x5, 農業(yè)x1。Anovad模型平方和df均方FSig.1回歸1.000a殘差19總計202回歸2.000b殘差18總計203回歸3.000c殘差17總計20a. 預測變量: (常量), 最終消費x5。c. 預測變量: (常量), 最終消費x5, 農業(yè)x1, 工業(yè)x2。b. 預測變量: (常量)Anovac模型平方和df均方FSig.1回歸5.002a殘差10總計152回歸.0000.000..b殘差15總計15a. 預測變量: (常量), x6, x3, x2, x4, x5。b. 預測變量: (常量), x6, x3, x2, x4。b. 預測變量: (常量), x6, x3, x2, x4。b. 預測變量: (常量), x3, x5。Anovad模型平方和df均方FSig.1回歸1.050a殘差14總計152回歸2.013b殘差13總計153回歸3.004c殘差12總計15a. 預測變量: (常量), x3。c. 預測變量: (常量), x3, x5, x4。而逐步回歸法只引入了x3。相比之下，后退法首先做全模型的回歸，每一個變量都有機會展示自己的作用，所得結果更有說服力第六章 多重共線性的情形及其處理解:由下表我們可以看出系數(shù)a模型非標準化系數(shù)標準系數(shù)tSig.共線性統(tǒng)計量B標準 誤差試用版容差VIF1(常量).035x1.279.052.003x2.549.199.016.001x3.911.420.002x4.080.031.281.021.064x5.006.006.038.918.374.434x6.014.466.574a. 因變量: y方差擴大因子最大的為VIF2=，：系數(shù)a模型非標準化系數(shù)標準系數(shù)tSig.共線性統(tǒng)計量B標準 誤差試用版容差VIF1(常量).364x1.237.828.006x3.533.937.017.009x4.036.032.127.274.087x5.006.008.041.822.424.434x6.002.015.006.157.878.647a. 因變量: y此時，有最大的方差擴大因子VIF1=，且此時x1系數(shù)為負，故x1也應被剔除，繼續(xù)將剩下變量進行回歸得：系數(shù)a模型非標準化系數(shù)標準系數(shù)tSig.共線性統(tǒng)計量B標準 誤差試用版容差VIF1(常量).258x3.109.862.000.199x4.031.019.107.132.221x5.006.007.041.841.412.434x6.003.015.008.209.837.671a. 因變量: y此時，所有方差擴大因子都小于10，故回歸方程如下：=++++第七章 嶺回歸1. 嶺回歸估計是在什么情況下提出的？答：當解釋變量間出現(xiàn)嚴重的多重共線性時，用普通最小二乘法估計模型參數(shù)，往往參數(shù)估計方差太大，使普通最小二乘法的效果變得很不理想，為了解決這一問題，統(tǒng)計學家從模型和數(shù)據(jù)的角度考慮，采用回歸診斷和自變量選擇來克服多重共線性的影響，這時，嶺回歸作為一種新的回歸方法被提出來了。當自變量間存在多重共線性，∣X39。X加上一個正常數(shù)矩陣kI(k0),那么X39。3. 選擇嶺參數(shù)k有哪幾種主要方法？答：。2. 當k值較小時標準化嶺回歸系數(shù)的絕對值并不是很小，但是不穩(wěn)定，隨著k的增加迅速趨于零。3. 去掉標準化嶺回歸系數(shù)很不穩(wěn)定的自變量，如果有若干個嶺回歸系數(shù)不穩(wěn)定，究竟去掉幾個，去掉哪幾個，這并無一般原則可循，這需根據(jù)去掉某個變量后重新進行嶺回歸分析的效果來確定。從嶺參數(shù)圖來看，嶺參數(shù)已基本穩(wěn)定，再參照復決定系數(shù),當k=，復決定系數(shù)=,仍然很大，固用k=。（1） 計算y與其余四個變量的簡單相關系數(shù)。（4） 采用后退法和逐步回歸法選擇變量，所得回歸方程的回歸系數(shù)是否合理，是否還存在共線性？（5） 建立不良貸款y對4個自變量的嶺回歸。（7） 某研究人員希望做y對各項貸款余額，你認為這種做是否可行，如果可行應該如何做？相關性不良貸款y各項貸款余額x1本年累計應收到款x2貸款項目個數(shù)x3本年固定資產投資額