下载文档原格式
线性回归的显着性检验1.回归方程的显着性在实际问题的研究中，我们事先并不能断定随机变量y与变量人,乂2，…，x p之间确有线性关系，在进行回归参数的估计之前，我们用多元线性回归方程去拟合随机变量y与变量X「X2，…，X p之间的关系，只是根据一些定性分析所作的一种假设。
因此，和一元线性回归方程的显着性检验类似，在求出线性回归方程后，还需对回归方程进行显着性检验。
设随机变量丫与多个普通变量x1, x2^ ,x p的线性回归模型为其中；服从正态分布N（0,；「2）对多元线性回归方程的显着性检验就是看自变量若接受X i,X2，…,X p从整体上对随机变量y是否有明显的影响。
为此提出原假设如果H。
被接受，则表明随机变量y与x「X2，…，X p的线性回归模型就没有意义。
通过总离差平方和分解方法，可以构造对H o进行检验的统计量。
正态随机变量y i,y2/ , y n的偏差平方和可以分解为：n n nS r f （y—y）2为总的偏差平方和，S R=為（懈-y）2为回归平方和，S E f （% - ？）2为残i 1i# im差平方和。
因此，平方和分解式可以简写为：回归平方和与残差平方和分别反映了b = 0所引起的差异和随机误差的影响。
构造F检验统计量则利用分解定理得到：在正态假设下，当原假设H o ：b i =0, b2 =0，…，b p =0成立时，F服从自由度为（p,n -p-1）的F分布。
对于给定的显着水平［，当F大于临界值（p, n-p-1）时，拒绝H。
，说明回归方程显着，x与y有显着的线性关系。
实际应用中，我们还可以用复相关系数来检验回归方程的显着性。
复相关系数R定义为：平方和分解式可以知道，复相关系数的取值范围为0空R乞1。
R越接近1表明S E越小，回归方程拟合越好。
2.回归系数的显着性若方程通过显着性检验，仅说明b o，b i，b2,…b p不全为零，并不意味着每个自变量对y的影响都显着，所以就需要我们对每个自变量进行显着性检验。
多元线性回归模型的检验多元线性回归模型的检验[1]多元性回归模型与一元线性回归模型一样，在得到参数的最小二乘法的估计值之后，也需要进行必要的检验与评价，以决定模型是否可以应用。
1、拟合程度的测定。
与一元线性回归中可决系数r2相对应，多元线性回归中也有多重可决系数r2，它是在因变量的总变化中，由回归方程解释的变动(回归平方和)所占的比重，R2越大，回归方各对样本数据点拟合的程度越强，所有自变量与因变量的关系越密切。
计算公式为：其中，2.估计标准误差估计标准误差，即因变量y的实际值与回归方程求出的估计值之间的标准误差，估计标准误差越小，回归方程拟合程度越程。
其中，k为多元线性回归方程中的自变量的个数。
3.回归方程的显著性检验回归方程的显著性检验，即检验整个回归方程的显著性，或者说评价所有自变量与因变量的线性关系是否密切。
能常采用F检验，F统计量的计算公式为：根据给定的显著水平a,自由度(k,n-k-1)查F分布表，得到相应的临界值Fa，若F > Fa，则回归方程具有显著意义，回归效果显著；F < Fa，则回归方程无显著意义，回归效果不显著。
4.回归系数的显著性检验在一元线性回归中，回归系数显著性检验(t检验)与回归方程的显著性检验(F检验)是等价的，但在多元线性回归中，这个等价不成立。
t检验是分别检验回归模型中各个回归系数是否具有显著性，以便使模型中只保留那些对因变量有显著影响的因素。
检验时先计算统计量ti；然后根据给定的显著水平a,自由度n-k-1查t分布表，得临界值ta或ta / 2,t > t ? a或ta / 2，则回归系数bi与0有显著关异，反之，则与0无显著差异。
统计量t 的计算公式为：其中，Cij是多元线性回归方程中求解回归系数矩阵的逆矩阵(x'x) ?1的主对角线上的第j个元素。
对二元线性回归而言，可用下列公式计算：其中，5.多重共线性判别若某个回归系数的t检验通不过，可能是这个系数相对应的自变量对因变量的影平不显著所致，此时，应从回归模型中剔除这个自变量，重新建立更为简单的回归模型或更换自变量。
一元线性回归分析1.理论回归分析是通过试验和观测来寻找变量之间关系的一种统计分析方法。
主要目的在于了解自变量与因变量之间的数量关系。
采用普通最小二乘法进行回归系数的探索，对于一元线性回归模型,设（X1，Y1），（X2，Y2），…，（X n，Y n）是取至总体（X,Y）的一组样本。
对于平面中的这n个点，可以使用无数条曲线来拟合。
要求样本回归函数尽可能好地拟合这组值。
综合起来看，这条直线处于样本数据的中心位置最合理。
由此得回归方程：y=β0+β1x+ε其中Y为因变量，X为解释变量（即自变量），ε为随机扰动项，β0，β1为标准化的偏斜率系数，也叫做回归系数。
ε需要满足以下4个条件：1.数据满足近似正态性：服从正态分布的随机变量。
2.无偏态性：∑（εi）=03.同方差齐性：所有的εi 的方差相同，同时也说明εi与自变量、因变量之间都是相互独立的。
4.独立性：εi 之间相互独立，且满足COV（εi，εj）=0（i≠j）。
最小二乘法的原则是以“残差平方和最小”确定直线位置。
用最小二乘法除了计算比较方便外，得到的估计量还具有优良特性。
最常用的是普通最小二乘法（OLS）：所选择的回归模型应该使所有观察值的残差平方和达到最小。
线性回归分析根据已有样本的观测值，寻求β0，β1的合理估计值^β0，^β1，对样本中的每个x i，由一元线性回归方程可以确定一个关于y i的估计值^y i=^β0+^β1x i，称为Y关于x的线性回归方程或者经验回归公式。
^β0=y-x^β1，^β1=L xy/L xx，其中L xx=J12−x2，L xy=J1−xy，x=1J1 ，y=1J1 。
再通过回归方程的检验：首先计算SST=SSR+SSE=J1^y−y 2+J1−^y2。
其中SST为总体平方和，代表原始数据所反映的总偏差大小；SSR为回归平方和（可解释误差），由自变量引起的偏差，放映X的重要程度；SSE为剩余平方和（不可解释误差），由试验误差以及其他未加控制因子引起的偏差，放映了试验误差及其他随机因素对试验结果的影响。
线性回归的显着性检验1.回归方程的显着性在实际问题的研究中，我们事先并不能断定随机变量y与变量x1,x2/ ,x p之间确有线性关系，在进行回归参数的估计之前，我们用多元线性回归方程去拟合随机变量y与变量人〃2，…，X p之间的关系，只是根据一些定性分析所作的一种假设。
因此，和一元线性回归方程的显着性检验类似，在求出线性回归方程后，还需对回归方程进行显着性检验。
设随机变量丫与多个普通变量X j,X2,…，X p的线性回归模型为其中；服从正态分布N（o,；「2）对多元线性回归方程的显着性检验就是看自变量若接受X i, X2，…，X p从整体上对随机变量y是否有明显的影响。
为此提出原假设如果H。
被接受，则表明随机变量y与X i，X2，…，X p的线性回归模型就没有意义。
通过总离差平方和分解方法，可以构造对H o进行检验的统计量。
正态随机变量y i, y2/ , y n的偏差平方和可以分解为：n n nS r八（y i -y）2为总的偏差平方和，S R八（场-y）2为回归平方和，S E八（y i-?）2为残i 1i £i A差平方和。
因此，平方和分解式可以简写为：回归平方和与残差平方和分别反映了 b = 0所引起的差异和随机误差的影响。
构造F检验统计量则利用分解定理得到：在正态假设下，当原假设H°:b1 =0, d =0，…，b p =0成立时，F服从自由度为（p,n - p「1）的F 分布。
对于给定的显着水平［，当F大于临界值（p, n-p-1）时，拒绝H。
，说明回归方程显着，x与y有显着的线性关系。
R定义实际应用中，我们还可以用复相关系数来检验回归方程的显着性。
复相关系数为:平方和分解式可以知道，复相关系数的取值范围为O^R^I。
R越接近1表明S E越小，回归方程拟合越好。
2•回归系数的显着性若方程通过显着性检验，仅说明bog,b2,…b p不全为零，并不意味着每个自变量对y的影响都显着，所以就需要我们对每个自变量进行显着性检验。
