回归分析解释doc.doc

《回归分析解释doc.doc》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、最小二乘法一元线性回归方程：=，所谓最小二乘法就是使得：最小的一种确定回归系数的方法。（是观察值即实际测量值，是回归值即估计值，是残差平方和）用方差分析方法对回归方程进行显著性检验响应变量y总的数据波动用总偏差平方和SST表示，回归线上拟合点数据波动用回归偏差平方和SSR表示，观察点与回归线上拟合点的差异数据波动用残差偏差平方和SSE表示。回归方程残差诊断。（利用残差图形分析）顺序号月份数（）观察值（y）回归拟合值=102.654－0.329残差值-10104.5102.6541.84623101.3101.667-0.36736101.1100.680.6249

2、98.299.693-1.4351298.098.706-0.70661897.396.7320.56872493.194.758-1.65883692.290.811.39说明：观察值即实际测量值，回归拟合值即估计值。R2是衡量回归方程解释观察数据变异的能力。R2ADJ是修正R2，考虑模型总项数带来的影响。S是残差标准差所谓残差图，其纵坐标总是残差，而横坐标可能取不同的值，可以是观察时间，可以是响应变量预测值，也可以是自变量的取值。作图：1、残差与观察值顺序的散点图。考察残差值是否随机地在水平轴上下无规则波动。若随机波动，说明残差值间是相互独立的。2、残差值与拟

3、合值的散点图。考察残差是否保持等方差性，若图形明显有漏斗型或喇叭型，说明需对响应变量y作某种变换。3、残差的正态概率图。考察残差值是否符合正态分布。4、残差对于以各自变量为横轴的散点图。考察图中是否有弯曲的趋势，若残差虽保持等方差性，图形有明显弯曲的趋势，应考虑增加自变量的高阶项，使模型拟合的更好些。