多重线性回归分析

SPSS—回归—多元线性回归结果分析（二），最近一直很忙，公司的潮起潮落，就好比人生的跌岩起伏，眼看着一步步走向衰弱，却无能为力，也许要学习“步步惊心”里面“四阿哥”的座右铭：“行到水穷处”，”坐看云起时“。

接着上一期的“多元线性回归解析”里面的内容，上一次，没有写结果分析，这次补上，结果分析如下所示：结果分析1：由于开始选择的是“逐步”法，逐步法是“向前”和“向后”的结合体，从结果可以看出，最先进入“线性回归模型”的是“price in thousands"建立了模型1，紧随其后的是“Wheelbase"建立了模型2，所以，模型中有此方法有个概率值，当小于等于0.05时，进入“线性回归模型”（最先进入模型的，相关性最强，关系最为密切）当大于等0.1时，从“线性模型中”剔除结果分析：1：从“模型汇总”中可以看出，有两个模型，（模型1和模型2）从R2 拟合优度来看，模型2的拟合优度明显比模型1要好一些（0.422>0.300）2：从“Anova"表中，可以看出“模型2”中的“回归平方和”为115.311，“残差平方和”为153.072，由于总平方和=回归平方和+残差平方和，由于残差平方和(即指随即误差，不可解释的误差）由于“回归平方和”跟“残差平方和”几乎接近，所有，此线性回归模型只解释了总平方和的一半，3：根据后面的“F统计量”的概率值为0.00，由于0.00<0.01，随着“自变量”的引入，其显著性概率值均远小于0.01，所以可以显著地拒绝总体回归系数为0的原假设，通过ANOVA方差分析表可以看出“销售量”与“价格”和“轴距”之间存在着线性关系，至于线性关系的强弱，需要进一步进行分析。

结果分析：1：从“已排除的变量”表中，可以看出：“模型2”中各变量的T检的概率值都大于“0.05”所以，不能够引入“线性回归模型”必须剔除。

从“系数a” 表中可以看出：1：多元线性回归方程应该为：销售量=-1.822-0.055*价格+0.061*轴距但是，由于常数项的sig为（0.116>0.1) 所以常数项不具备显著性，所以，我们再看后面的“标准系数”，在标准系数一列中，可以看到“常数项”没有数值，已经被剔除所以：标准化的回归方程为：销售量=-0.59*价格+0.356*轴距2：再看最后一列“共线性统计量”，其中“价格”和“轴距”两个容差和“vif都一样，而且VIF 都为1.012，且都小于5，所以两个自变量之间没有出现共线性，容忍度和膨胀因子是互为倒数关系，容忍度越小，膨胀因子越大，发生共线性的可能性也越大从“共线性诊断”表中可以看出：1：共线性诊断采用的是“特征值”的方式，特征值主要用来刻画自变量的方差，诊断自变量间是否存在较强多重共线性的另一种方法是利用主成分分析法，基本思想是：如果自变量间确实存在较强的相关关系，那么它们之间必然存在信息重叠，于是就可以从这些自变量中提取出既能反应自变量信息（方差），而且有相互独立的因素（成分）来，该方法主要从自变量间的相关系数矩阵出发，计算相关系数矩阵的特征值，得到相应的若干成分。

4.剔除强影响点（Influential cases；或称为突出点， outliers）
通过标准化残差（Standardized Residuals）、学生氏残 差（Studentlized Residuals）来判断强影响点 。当指标 的绝对值大于3时，可以认为样本存在强影响点。
删除强影响点应该慎重，需要结合专业知识。以下两种情 况可以考虑删除强影响点：1.强影响点是由于数据记录错 误造成的；2.强影响点来自不同的总体。
r r t sr 1 r2 n2
只有当0时，才能根据|r|的大小判断相关 的密切程度。
4.相关与回归的区别和联系 （1）相关与回归的意义不同 相关表达两个变量 之间相互关系的密切程度和方向。回归表达两个变 量之间的数量关系，已知X值可以预测Y值。从散点 图上，散点围绕回归直线的分布越密集，则两变量 相关系数越大；回归直线的斜率越大，则回归系数 越大。 （2）r与b的符号一致 同正同负。
5.自变量之间不应存在共线性（Collinear）
当一个（或几个）自变量可以由其他自变量线性表示时，称 该自变量与其他自变量间存在共线性关系。常见于：1.一个 变量是由其他变量派生出来的，如：BMI由身高和体重计算 得出 ；2.一个变量与其他变量存在很强的相关性。 当自变量之间存在共线性时，会使回归系数的估计不确定、 预测值的精度降低以及对y有影响的重要自变量不能选入模 型。
P值
截距a 回归系数b sb 标准化回归系数 t值 P值
3.直线回归的预测及置信区间估计
给定X＝X0， 预测Y
3.直线回归的预测及置信区间估计
因变量
自变量
保存（产生新变量，保 存在当前数据库） 统计
3.直线回归的预测及置信区间估计

多重线性回归的假设多重线性回归是一种常见的统计分析方法，可以处理多个自变量与相关因素之间的关系。

它是利用一个或多个变量对另一个变量进行线性回归分析。

它是一种综合性的分析技术，可以广泛应用于生物统计、经济学、数理统计和管理科学等领域的研究。

本文将详细论述多重线性回归的假设以及假设检验的步骤，以期为读者提供更深入了解多重线性回归假设检骤的概念。

一、多重线性回归的假设多重线性回归模型的基本假设包括线性关系假设、独立同分布假设、残差常态性假设、多重共线性假设以及外生自变量假设。

（1）线性关系假设。

即被解释变量Y与自变量X之间存在着线性关系，并且Y与X之间的关系可以用回归方程的形式表示。

（2）独立同分布假设。

即每个观测值的误差项i都是独立同分布的，服从正态分布，其样本和总体均值均为0，而方差σ^2是几乎相等的。

（3）残差常态性假设。

即被解释变量Y与自变量Xi之间的残差εi服从正态分布，均值为0，且其方差σ^2是几乎相等的。

（4）多重共线性假设。

即自变量之间不存在相关性，否则它们之间的变异性会混淆我们对被解释变量变量的理解和分析。

（5）外生自变量假设。

即自变量和被解释变量是独立的，不受外界因素的影响。

二、多重线性回归的假设检骤多重线性回归分析需要检验假设，以确定模型是否满足上述假设。

（1）数据预处理。

首先要对原始数据进行预处理，分析每个变量的分布特征，检测是否存在缺失值和异常值等。

如果存在缺失值和异常值，则必须进行合理的处理。

（2）回归分析。

回归分析是对数据进行多元线性回归的过程，可以用统计软件SPSS、SAS等进行分析，以求出每个变量的系数，并计算R、R2等统计量，以进行检验。

（3）残差分析。

残差的分析是检查模型预测结果的有效性的重要步骤。

通常，残差的分析以正态分布图、直方图等图形来表示。

（4）多重共线性检骤。

多重共线性可分为两种：一种是检查变量间是否存在共线性，另一种是检查系数是否收敛。

（5）假设检骤。

多元线性回归模型检验引言多元线性回归是一种常用的统计分析方法，用于研究两个或多个自变量对目标变量的影响。

在应用多元线性回归前，我们需要确保所建立的模型符合一定的假设，并进行模型检验，以保证结果的可靠性和准确性。

本文将介绍多元线性回归模型的几个常见检验方法，并通过实例进行说明。

一、多元线性回归模型多元线性回归模型的一般形式可以表示为：$$Y = \\beta_0 + \\beta_1X_1 + \\beta_2X_2 + \\ldots + \\beta_pX_p +\\varepsilon$$其中，Y为目标变量，$X_1,X_2,\\ldots,X_p$为自变量，$\\beta_0,\\beta_1,\\beta_2,\\ldots,\\beta_p$为模型的回归系数，$\\varepsilon$为误差项。

多元线性回归模型的目标是通过调整回归系数，使得模型预测值和实际观测值之间的误差最小化。

二、多元线性回归模型检验在进行多元线性回归分析时，我们需要对所建立的模型进行检验，以验证假设是否成立。

常用的多元线性回归模型检验方法包括：1. 假设检验多元线性回归模型的假设包括：线性关系假设、误差项独立同分布假设、误差项方差齐性假设和误差项正态分布假设。

我们可以通过假设检验来验证这些假设的成立情况。

•线性关系假设检验：通过F检验或t检验对回归系数的显著性进行检验，以确定自变量与目标变量之间是否存在线性关系。

•误差项独立同分布假设检验：通过Durbin-Watson检验、Ljung-Box 检验等统计检验，判断误差项是否具有自相关性。

•误差项方差齐性假设检验：通过Cochrane-Orcutt检验、White检验等统计检验，判断误差项的方差是否齐性。

•误差项正态分布假设检验：通过残差的正态概率图和Shapiro-Wilk 检验等方法，检验误差项是否满足正态分布假设。

2. 多重共线性检验多重共线性是指在多元线性回归模型中，自变量之间存在高度相关性的情况。