多元回归
分析→回归→线性,
拟合优度检验
总离差平方和(tss)=回归平方和(ess)+残差平方和(rss);
可决系数的取值范围:[0,1] 。 R2越接近1,说明实际观测点离样本线越近,拟合优度高。由增加解释变量个数引起的R2的增大与拟合好坏无关,R2需调整。
调整的可决系数思路是:将残差平方和与总离差平方和分别除以各自的自由度(df),以剔除变量个数对拟合优度的影响:
(2)方程总体线性的显著性检验(F检验
H0:?1=?2= ? =?k=0
H1:?j不全为0
F?F?(k,n-k-1) 或 F?F?(k,n-k-1)
来拒绝或接受原假设H0,以判定原方程总体上的线性关系是否显著成立。
(3)变量的显著性检验(t检验)
如果变量X对Y的影响是显著的,那么X前的参数应该显著的不为0
检验步骤:
1)对总体参数提出假设
H0:?1=0,H1:?1?0
若|t|> t ?/2(n-2),则拒绝H0,接受H1;(小概率事件发生)
若|t|? t ?/2(n-2),则接受H0 ;
看指标选模型
: 拟合程度Adjusted R2越接近1拟合程度越好
回归方程的显著性检验F统计量的值,及其
Sig
回归系数表回归系数B和显著性检验Sig
(4)满足基本要求的样本容量
从统计检验的角度:
n?30 时,Z检验才能应用;
n-k?8时, t分布较为稳定
四、预测
一元或多元模型预测的SPSS实现:
特征根和方差比
特征根是诊断解释变量间是否存在严重的多重共线性的另一种有效方法。最大特征根的值远远大于其他特征根的值,则说明这些解释变量间具有相当多的重叠信息,原因是仅通过这一个特征根就基本刻画出了所有解释变量的绝大部分信息。
解释变量标准化后它的方差为1。如果某个特征根既能够刻画某解释变量方差的较大部分(0.7以上),同时又可以刻画另一根解释变量方差的较大部分,则说明这两个解释变量间存在较强的线性相关关系。
4、条件指数
条件指数反映解释变量间多重共线性的指标。当0=100时,认为多重共线性很强。
? 分析→回归→线性→绘制→选正态概率图→继续→确定→查看输出
窗口→数据点围绕基准线还存在一定的规律性。
? 分析→回归→线性→保存,选残差中的标准化→继续→确定→分析→非参数检验→
1样本k-s(1)把standardized residual 放入检验变量列表→确定→查看输出窗口,
多元回归
分析→回归→线性,
拟合优度检验
总离差平方和(tss)=回归平方和(ess)+残差平方和(rss);
可决系数的取值范围:[0,1] 。 R2越接近1,说明实际观测点离样本线越近,拟合优度高。由增加解释变量个数引起的R2的增大与拟合好坏无关,R2需调整。
调整的可决系数思路是:将残差平方和与总离差平方和分别除以各自的自由度(df),以剔除变量个数对拟合优度的影响:
(2)方程总体线性的显著性检验(F检验
H0:?1=?2= ? =?k=0
H1:?j不全为0
F?F?(k,n-k-1) 或 F?F?(k,n-k-1)
来拒绝或接受原假设H0,以判定原方程总体上的线性关系是否显著成立。
(3)变量的显著性检验(t检验)
如果变量X对Y的影响是显著的,那么X前的参数应该显著的不为0
检验步骤:
1)对总体参数提出假设
H0:?1=0,H1:?1?0
若|t|> t ?/2(n-2),则拒绝H0,接受H1;(小概率事件发生)
若|t|? t ?/2(n-2),则接受H0 ;
看指标选模型
: 拟合程度Adjusted R2越接近1拟合程度越好
回归方程的显著性检验F统计量的值,及其
Sig
回归系数表回归系数B和显著性检验Sig
(4)满足基本要求的样本容量
从统计检验的角度:
n?30 时,Z检验才能应用;
n-k?8时, t分布较为稳定
四、预测
一元或多元模型预测的SPSS实现:
特征根和方差比
特征根是诊断解释变量间是否存在严重的多重共线性的另一种有效方法。最大特征根的值远远大于其他特征根的值,则说明这些解释变量间具有相当多的重叠信息,原因是仅通过这一个特征根就基本刻画出了所有解释变量的绝大部分信息。
解释变量标准化后它的方差为1。如果某个特征根既能够刻画某解释变量方差的较大部分(0.7以上),同时又可以刻画另一根解释变量方差的较大部分,则说明这两个解释变量间存在较强的线性相关关系。
4、条件指数
条件指数反映解释变量间多重共线性的指标。当0=100时,认为多重共线性很强。
? 分析→回归→线性→绘制→选正态概率图→继续→确定→查看输出
窗口→数据点围绕基准线还存在一定的规律性。
? 分析→回归→线性→保存,选残差中的标准化→继续→确定→分析→非参数检验→
1样本k-s(1)把standardized residual 放入检验变量列表→确定→查看输出窗口,