逐步回归分析.ppt

§4.6逐步回归分析（1）均方误差s2最小（4）AIC或BIC准则4.6.2选择最优回归子集的方法最小R2增量法（MINR）最大R2增量法（MAXR）4.6.3.1前进法（FORWARD）图4.1逐步回归的基本步骤步骤（1）将全部m个自变量，分别与因变量y建立一元回归方程；（2）分别计算这m个一元回归方程中回归系数的检验统计量F，记为：，取最大值，若，停止筛选；若，选入，不妨设是，进入步骤（3）；（3）分别将自变量组，，…，与因变量y建立二元回归方程，计算回归方程中x2，x3，…，xm的回归系数检验统计量F，记为：，取其最大值，若则停止筛选，y与x1之间的回归方程就是最优的回归方程；若，选进xk2，不妨设xk2是x2，进入步骤（4）。（4）对已经选入模型的变量，x1，x2，如同前面的方法做下去，直到所有未被选入模型的自变量的F值都小于相应的临界值为止，这时的回归方程就是最优回归方程。前进法的一般步骤：假设已进行了l步筛选，并选入自变量x1，x2，…xl，现进行第l+1步筛选：分别将自变量组，，…，与y建立l+1元回归方程；回归方程中的回归系数检验统计量记为：，记若，停止筛选，上一步得到的回归方程，即为最优的回归方程；若，将选进模型，进行下一步筛选。前进法的缺点：不能反映自变量选进模型后的变化情况。4.6.3.2后退法（BACKWARD）（1）建立全部自变量x1，x2，…，xm对因变量y的回归方程，对方程中m个自变量的回归系数b1，b2，…，bm进行F检验，相应的F值记为：，取最小值若，没有自变量可剔除，此时的回归方程就是最优的回归方程；若，剔除xk1，不妨设xk1是xm，进入步骤（2）。（2）建立x1，x2，…，xm-1与因变量y的回归方程，对方程中自变量的回归系数进行F检验，相应的F值记为：，取最小值，若则无自变量可剔除，此时的回归方程即最优的回归方程；若，将xk2从模型中剔除，不妨设xk2就是xm-1，进入步骤（3）；（3）重复前面的做法，直至回归方程中各变量回归系数的F值均大于临界值，即方程中没有变量可剔除为止，此时的回归方程就是最优的回归方程。后退法的一般步骤：假设已经进行了l步剔除，模型中的自变量为x1，x2，…，xm-l，现进行第l+1步剔除：建立x1，x2，…，xm-l对y的回归方程，对方程中x1，x2，…，xm-l的回归系数进行F检验，相应的F统计量记为：，取最小值，若则停止筛选，y与x1，x2，…，xm-l之间的回归方程即为最优的回归方程；若则剔除，不妨设为，进行下一步筛选。后退法的缺点：开始把全部自变量都引入模型，计算量大。4.6.3.3逐步筛选法设y是因变量，x1，x2，…，xm是所有自变量，yi，xi1，xi2，…，xim（i＝1，2，…，n）是独立抽取的n组样本。设自变量被选进模型的显著性水平为，被剔除模型的显著性水平为，且。逐步筛选法的步骤为：（1）计算离差矩阵S（2）逐步筛选自变量第一步筛选：①计算各自变量的贡献：取最大值②对的作用是否显著进行统计检验：～F（1，n-1-1）若，则结束所有自变量皆与y无关，不能建立回归方程；若，则将xk1选入模型，并将S转化为，进行第二步筛选；其中第二步筛选:①按计算各自变量的贡献模型外自变量的贡献：模型中自变量的贡献：②取模型外自变量的最大贡献值，即计算～F（1，n-2-1），其中，若，则筛选结束，第一步中所建立的回归方程即最优回归方程；若，则选进入模型，将化为，进行第三步筛选；其中第三步：从第三步开始，先检验已经引入方程中的自变量是否满足显著性水平，若有不满足显著性水平的自变量，依次剔除最不显著的，再从方程外挑选满足著性水平的最显著的自变量进入模型（即从第三步开始，先进行变量的剔除，再进行变量的选进）。逐步回归法筛选自变量的一般步骤为：假设已经进行l步筛选，并且已经选入p个自变量，相应的残差平方和为，离差矩阵为则第步的筛选过程为：（a）计算自变量的贡献：（b）检验已选入的自变量是否显著取模型中变量的最小值：计算～F（1，n-p-1）,其中若，将xk剔除，转入（d）；若，则xk不能被剔除，转入（c）；（c）取模型外变量贡献的最大值，计算若，则筛选结束，转入（3）；若，则选入xk，转入（d）；（d）将化为，进行第l+2步筛选。其中§4.7可化为线性回归的曲线回归（2）幂函数型：（3）指数曲线型：（5）S型函数：（6）多项式回归：