残差分析学习PPT课件

^_
(y y)2
剩余平方和(residual sum of squares)：即残差平方 和，不能用线性回归解释的部分
^
( y y)2
以上三部分的自由度分别为n-1，m和n-m-1。其 中，n为样本数，m为自变量数。 方差分析的假设为
一元线性回归：H0: =0 多元线性回归：
H1: 0
H0: 1= 2=…= m=0 H1: 1， 2，…， m中至少有一个不等于零 因此方差分析的结论是线性回归方程是否显著， 是否有意义。
线性回归分析
公共卫生学院
.
一. 前言
回归分析的目的:
设法找出变量间的依存(数量)关系, 用函数关系 式表达出来
二、基本概念
1、应变量（dependent variable) 2、自变量（independent variable）
3、一元线性回归 直线回归方程的模型是：yi=a+bxi+ei
其中 （１）a是截距 （２）b是回归系数(regression coefficient)（回归直线的
（４）共线性诊断 •共线性（collinearity） •共线性的危害 •共线性的鉴别 容差（tolerance） 方差膨胀因子（variance inflation factor）
六、自变量的选择
• 强迫引入法（Enter） • 强迫剔除法（Remove） • 前进法（Forward） • 后退法（Backward） • 逐步向前法（Forward stepwise） • 逐步向后法（Backward stepwise）
（２）回归模型残差的独立性检验 用Durbin--Watson检验，其参数称为Dw或D。 D的取值范围是0<D<4。其统计学意义为： D≈2，残差与自变量相互独立； D<2，残差与自变量正相关； D>2，残差与自变量负相关。
（３）残差的方差齐性检验 以上都是对残差的分析，称为残差分析。
残差分析还可以１）检出奇异点 ２）评判预测效果。
一元线性回归：
Q (yi yi )2 [ yi (a b xi )]2
多元线性回归：
Q (yi yi )2 [ yi (b0 b1 x1 b2 x2 bn xn )]2
一元线性回归时，计算比较简单：
b (x x) (y y) x y x y / n lxy
( y y)2
( y y)2
• 调整（校正）决定系数（adjusted R square）
R2
1
n 1
(1 R2 )
• 复相关系数R （multniplemcorrelation coefficient）
５、线性回归适用性检验 （１）回归模型残差的正态性检验 •残差的直方图 •残差的累积概率图（P-P图）
斜率） 回归系数的统计学意义是：自变量每变化一个单位，
应变量平均变化的单位数．
（３）ei是残差
因此直线回归方程的一般形式是：
^
yi a bxi
•
其中
^
yi
是应变量y的预测值或称估计值。
4、多元线性回归 多元线性回归方程模型为：
yi=b0+b1x1i+b2x2i+…+bnxni+ei 其中 (1) b有0是时常，数人项们，称是它各为自本变底量值都。等于0时，应变量的估计值。 (2) bco1，effbic2i，en…t )，，b其n是统偏计回学归意系义数是(在pe其rt它ial所re有gr自es变sio量n 不变
H1: 0
a t
sa v n2
多元线性回归： H0: 0=0
H1: 00
t b0 sb0
v n m 1
４、模型的预测效果检验
亦称回归模型的拟合优度检验。检验回归模型 对样本数据的拟合程度。
• 决定系数（determination coefficient）（ R square）
^
R2
多元线性回归方程的一般形2i bn xni
其中的符号含义同前。
三、理论假设
• 自变量x与应变量y之间存在线性关系； • 正态性：随机误差（即残差）e服从均值为 0，
方差为２的正态分布； • 等方差：对于所有的自变量x，残差e的条件方
差为２ ，且为常数； • 独立性：在给定自变量x的条件下，残差e的条
的情况下，某一自变量每变化一个单位，应变量平均 变化的单位数。 如就数果等，所于用有符0，参号b加b11，‘分，b析b2，2的’，…变…，量，b都nbn就是‘表变标示成准。了化标的准变化量偏，回这归时系b0 bi’= bi*sxi/sy 由量于的b相i’没对有作量用纲大，小因。此可以相互比较大小，反映自变 (3) ei是残差
件期望值为0（本假设又称零均值假设）； • 无自相关性：各随机误差项e互不相关；
• 残差e与自变量x不相关：随机误差项e与相 应的自变量x不相关；
• 无共线性：自变量x之间相互独立．
四、回归方程的建立
• 散点图 • 奇异点（ouliers） • 最小二乘法（least square, LS） • 残差平方和（sum of squares for residuals）
七、线性回归的应用
• 预测 • 控制 • 鉴别影响因素
八、线性回归分析实例
九、线性回归分析的注意事项
• 应用条件 • 样本量 • 自变量的观察范围 • 分类／等级变量
谢谢！
.
(x x)2
x2 ( x)2 / n lxx
a ybx y bx
n
n
多元线性回归时，比较复杂，一般需要用计算机 处理。
五、线性回归的检验
１、回归方程的检验 方差分析法：
应变量的总变异
_
( y y)2
可分解为 回归平方和(regression sum of squares)：可用线
性回归解释的部分
２、回归／偏回归系数的检验 检验回归系数是否为零，每一个偏回归系数是
否为零。用t检验方法。 统计量
t bi sbi
自由度
v nm1
结论：回归／偏回归系数是否有意义，是否为零； 对应的自变量是否有意义。
３、常数项（截距）的检验
检验常数项（截距）是否为零。
用t检验方法。 一元线性回归：
H0: =0