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。
线性回归模型检验⽅法拓展-三⼤检验第四章线性回归模型检验⽅法拓展——三⼤检验作为统计推断的核⼼内容，除了估计未知参数以外，对参数的假设检验是实证分析中的⼀个重要⽅⾯。
对模型进⾏各种检验的⽬的是，改善模型的设定以确保基本假设和估计⽅法⽐较适合于数据，同时也是对有关理论有效性的验证。
⼀、假设检验的基本理论及准则假设检验的理论依据是“⼩概率事件原理”，它的⼀般步骤是（1）建⽴两个相对（互相排斥）的假设（零假设和备择假设）。
（2）在零假设条件下，寻求⽤于检验的统计量及其分布。
（3）得出拒绝或接受零假设的判别规则。
另⼀⽅⾯，对于任何的检验过程，都有可能犯错误，即所谓的第⼀类错误P（拒绝H|H0为真）=α和第⼆类错误P（接受H|H0不真）=β在下图，粉红⾊部分表⽰P（拒绝H0|H0为真）=α。
黄⾊部分表⽰P（接受H0|H0不真）=β。
⽽犯这两类错误的概率是⼀种此消彼长的情况，于是如何控制这两个概率，使它们尽可能的都⼩，就成了寻找优良的检验⽅法的关键。
下⾯简要介绍假设检验的有关基本理论。
参数显著性检验的思路是，已知总体的分布(,)F X θ，其中θ是未知参数。
总体真实分布完全由未知参数θ的取值所决定。
对θ提出某种假设001000:(:,)H H θθθθθθθθ=≠><或，从总体中抽取⼀个容量为n 的样本，确定⼀个统计量及其分布，决定⼀个拒绝域W ，使得0()P W θα=，或者对样本观测数据X ，0()P X W θα∈≤。
α是显著性⽔平，即犯第⼀类错误的概率。
既然犯两类错误的概率不能同时被控制，所以通常的做法是，限制犯第⼀类错误的概率，使犯第⼆类错误的概率尽可能的⼩，即在0()P X W θα∈≤ 0θ∈Θ的条件下，使得()P X W θ∈，0θ∈Θ-Θ达到最⼤，或1()P X W θ-∈，0θ∈Θ-Θ达到最⼩。
其中()P X W θ∈表⽰总体分布为(,)F X θ时，事件W ∈{X }的概率，0Θ为零假设集合（0Θ只含⼀个点时成为简单原假设，否则称为复杂原假设）。
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。
对多元线性回归模型的各种检验方法对于形如u X X X Y k k +++++=ββββ 22110 （1） 的回归模型，我们可能需要对其实施如下的检验中的一种或几种检验：一、 对单个总体参数的假设检验：t 检验在这种检验中，我们需要对模型中的某个（总体）参数是否满足虚拟假设0H ：j j a =β，做出具有统计意义（即带有一定的置信度）的检验，其中j a 为某个给定的已知数。
特别是，当j a =0时，称为参数的（狭义意义上的）显著性检验。
如果拒绝0H ，说明解释变量j X 对被解释变量Y 具有显著的线性影响，估计值j βˆ才敢使用；反之，说明解释变量j X 对被解释变量Y 不具有显著的线性影响，估计值j βˆ对我们就没有意义。
具体检验方法如下：（1） 给定虚拟假设 0H ：j j a =β；（2） 计算统计量 )ˆ(ˆ)ˆ()(ˆjj j j j j Se a Se E t βββββ-=-= 的数值； 11ˆ)ˆ(++-==j j jj jj j C C Se 1T X)(X ，其中σβ（3） 在给定的显著水平α下（α不能大于1.0即 10%，也即我们不能在置信度小于90%以下的前提下做结论），查出双尾t （1--k n ）分布的临界值2/αt ；（4） 如果出现 2/αt t >的情况，检验结论为拒绝0H ；反之，无法拒绝0H 。
t 检验方法的关键是统计量 )ˆ(ˆj jj Se t βββ-=必须服从已知的t 分布函数。
什么情况或条件下才会这样呢？这需要我们建立的模型满足如下的条件（或假定）：（1） 随机抽样性。
我们有一个含n 次观测的随机样(){}n i Y X X X i ik i i ,,2,1:,,,,21 =。
这保证了误差u 自身的随机性，即无自相关性，0))())(((=--j j i i u E u u E u Cov 。
（2） 条件期望值为0。
给定解释变量的任何值，误差u 的期望值为零。
