[教育學(xué)心理學(xué)]ch20多元回歸分析

《[教育學(xué)心理學(xué)]ch20多元回歸分析》由會(huì)員分享，可在線閱讀，更多相關(guān)《[教育學(xué)心理學(xué)]ch20多元回歸分析（70頁(yè)珍藏版）》請(qǐng)?jiān)谘b配圖網(wǎng)上搜索。

1、心理統(tǒng)計(jì)黃華Ch20：多元回歸分析date200909Ch20多元回歸分析多元回歸分析n回歸模型簡(jiǎn)介回歸模型簡(jiǎn)介n多元線性回歸分析的一般步驟多元線性回歸分析的一般步驟n自變量的選擇自變量的選擇n多元回歸方程的應(yīng)用多元回歸方程的應(yīng)用n多元回歸分析的多元回歸分析的SPSSSPSS操作操作Multivariate linear regression多元線性回歸分析也稱復(fù)線性回歸分析（multiple linear regression analysis）,它研究一組自變量如何直接影響一個(gè)因變量。自變量（independent variable）是指獨(dú)立自由變量的變量，用X表示；因變量（depende

2、nt variable)是指非獨(dú)立的、受其它變量影響的變量，用Y表示；由于模型僅涉及一個(gè)因變量，所以多元線性回歸分析也稱單變量線性回歸分析（univariate linear regression analysis）多元回歸分析數(shù)據(jù)格式多元回歸分析數(shù)據(jù)格式 假定因變量假定因變量Y Y與自變量與自變量 間存在如下關(guān)系：間存在如下關(guān)系：mmXXXY22110 式中，式中， 是常數(shù)項(xiàng)，是常數(shù)項(xiàng)， 稱為稱為偏回歸系數(shù)（偏回歸系數(shù)（partial regression partial regression coefficientcoefficient）。 的含義為在其它自變量保持不變的條件下，的含義為在

3、其它自變量保持不變的條件下，自變量自變量 改變一個(gè)單位時(shí)因變量改變一個(gè)單位時(shí)因變量Y Y 的平均改變量。的平均改變量。 為隨機(jī)誤差，為隨機(jī)誤差，又稱殘差（又稱殘差（residualresidual），它表示），它表示 因變量的變化中不能由自變量因變量的變化中不能由自變量 解釋的部分。解釋的部分。0m,21m,ii21m,iXi21mX,X,X21iX多元線性回歸方程模型多元線性回歸方程模型應(yīng)用條件應(yīng)用條件多元線性回歸模型應(yīng)滿足以下條件： (1)Y與 之間具有線性關(guān)系； (2)各觀測(cè)值 之間相互獨(dú)立； (3)殘差服從均數(shù)為0、方差為的正態(tài)分布，它等價(jià)于對(duì)于任意一組自變量 ，因變量均服從正態(tài)分布且

4、方差齊。注意：注意：雖然模型要求因變量是連續(xù)數(shù)值變量，但對(duì)自變量的類型不限。雖然模型要求因變量是連續(xù)數(shù)值變量，但對(duì)自變量的類型不限。若自變量是分類變量，特別是無(wú)序分類變量，要轉(zhuǎn)化為亞變量才能分若自變量是分類變量，特別是無(wú)序分類變量，要轉(zhuǎn)化為亞變量才能分析。對(duì)于自變量是分類變量的情形，需要用析。對(duì)于自變量是分類變量的情形，需要用廣義線性回歸模型分析。廣義線性回歸模型分析。mX,X,X21mX,X,X21n ,jYj21Ch20多元回歸分析多元回歸分析n回歸模型簡(jiǎn)介回歸模型簡(jiǎn)介n多元線性回歸分析的一般步驟多元線性回歸分析的一般步驟n自變量的選擇自變量的選擇n多元回歸方程的應(yīng)用多元回歸方程的應(yīng)用n多

5、元回歸分析的多元回歸分析的SPSSSPSS操作操作多元線性回歸分析的步驟多元線性回歸分析的步驟（一）估計(jì)各項(xiàng)參數(shù)，建立多元線性回歸方程模型（二）對(duì)整個(gè)模型進(jìn)行假設(shè)檢驗(yàn)，模型有意義的前提下，再分別對(duì)各偏回歸系數(shù)進(jìn)行假設(shè)檢驗(yàn)。（三）計(jì)算相應(yīng)指標(biāo)，對(duì)模型的擬合效果進(jìn)行評(píng)價(jià)。模型的參數(shù)估計(jì)（略）模型的參數(shù)估計(jì)（略）mmXb.XbXbYb-22110 2727名被試白鼠完成名被試白鼠完成T T型迷型迷宮所需的時(shí)間（宮所需的時(shí)間（y y）和它）和它們的智商分?jǐn)?shù)（們的智商分?jǐn)?shù)（x x1 1）、成）、成長(zhǎng)環(huán)境分?jǐn)?shù)（長(zhǎng)環(huán)境分?jǐn)?shù)（x x2 2）、饑餓）、饑餓水平（血糖指標(biāo)，水平（血糖指標(biāo)，x x3 3）、）、迷宮

6、經(jīng)驗(yàn)（迷宮經(jīng)驗(yàn)（x x4 4）的測(cè)量值）的測(cè)量值列于表中，試建立完成時(shí)列于表中，試建立完成時(shí)間與其它幾項(xiàng)指標(biāo)關(guān)系的間與其它幾項(xiàng)指標(biāo)關(guān)系的多元線性回歸方程。多元線性回歸方程。數(shù)據(jù)如圖數(shù)據(jù)如圖 案例案例線性回歸方程模型線性回歸方程模型線性回歸方程模型為：線性回歸方程模型為：對(duì)模型及偏回歸系數(shù)的假設(shè)檢驗(yàn)對(duì)模型及偏回歸系數(shù)的假設(shè)檢驗(yàn)1、對(duì)模型的假設(shè)檢驗(yàn)F檢驗(yàn)2、對(duì)偏回歸系數(shù)的假設(shè)檢驗(yàn)F檢驗(yàn)和t 檢驗(yàn)3、標(biāo)準(zhǔn)偏化回歸系數(shù)1、對(duì)模型的假設(shè)檢驗(yàn)、對(duì)模型的假設(shè)檢驗(yàn)F檢驗(yàn)檢驗(yàn)檢驗(yàn)統(tǒng)計(jì)量為FSS回歸為回歸項(xiàng)的平方和，反映由于方程中個(gè)自變量與因變量的線性關(guān)系而使因變量變異減小的部分；SS剩余表示剩余（殘差）平方和，

7、說(shuō)明除自變量外，其它隨機(jī)因素對(duì)y變異的影響。)mn/(SSm/SSF1-剩余回歸回歸總剩余SSSSSS-1、對(duì)模型的假設(shè)檢驗(yàn)、對(duì)模型的假設(shè)檢驗(yàn)F檢驗(yàn)檢驗(yàn)SS總=lyy=222.5519；總=n-1=26SS剩余= SS總- SS回歸=222.5519-133.7107=88.8412剩余=n-m-1=22 MS回歸= SS回歸/回歸； MS剩余= SS剩余/剩余；F= MS回歸/ MS剩余1 1、對(duì)模型的假設(shè)檢驗(yàn)、對(duì)模型的假設(shè)檢驗(yàn)F F檢驗(yàn)檢驗(yàn)回歸方程成立只能認(rèn)為總的來(lái)說(shuō)自變量與因變量間存在線性關(guān)系，但是否每一個(gè)自變量都與因變量間存在線性關(guān)系，須對(duì)其偏回歸系數(shù)進(jìn)行假設(shè)檢驗(yàn)。 方差分析法 t 檢

8、驗(yàn)法2、對(duì)偏回歸系數(shù)的假設(shè)檢驗(yàn)、對(duì)偏回歸系數(shù)的假設(shè)檢驗(yàn)F檢驗(yàn)和檢驗(yàn)和t 檢驗(yàn)檢驗(yàn)偏回歸系數(shù)的假設(shè)檢驗(yàn)偏回歸系數(shù)的假設(shè)檢驗(yàn)-方差分析法方差分析法計(jì)算Xi的偏回歸平方和Ui，它表示模型中含有其它m-1個(gè)自變量的條件下該自變量對(duì)Y的回歸貢獻(xiàn)，相當(dāng)于從回歸方程中剔除Xi后所引起的回歸平方和的減少量。偏回歸平方和Ui越大說(shuō)明自變量越重要。檢驗(yàn)統(tǒng)計(jì)量為： 11-mnSSUFi剩余 偏回歸系數(shù)的假設(shè)檢驗(yàn)偏回歸系數(shù)的假設(shè)檢驗(yàn)-方差分析法方差分析法偏回歸系數(shù)的假設(shè)檢驗(yàn)偏回歸系數(shù)的假設(shè)檢驗(yàn) t 檢驗(yàn)檢驗(yàn)3、標(biāo)準(zhǔn)偏回歸系數(shù)、標(biāo)準(zhǔn)偏回歸系數(shù)多元線性回歸方程中，各自變量的單位不同，其偏回歸系數(shù)之間是無(wú)法直接比較的。需要

9、對(duì)偏回歸系數(shù)標(biāo)準(zhǔn)化，以消除量綱的影響。標(biāo)準(zhǔn)化的偏回歸系數(shù)稱為標(biāo)準(zhǔn)偏回歸系數(shù)（standard partial regression coefficient）。標(biāo)準(zhǔn)偏回歸系數(shù) 與偏回歸系數(shù)之間的關(guān)系為 標(biāo)準(zhǔn)偏回歸系數(shù)絕對(duì)值的大小，可用以衡量自變量對(duì)因變量貢獻(xiàn)的大小，即說(shuō)明各自變量在多元回歸方程中的重要性。ibYjjYYjjjYYjjjjSSbnlnlbllbb-) 1/() 1/( 3、標(biāo)準(zhǔn)化偏回歸系數(shù)、標(biāo)準(zhǔn)化偏回歸系數(shù)（三）計(jì)算相應(yīng)指標(biāo)，對(duì)模型的擬合效果進(jìn)行評(píng)價(jià)（三）計(jì)算相應(yīng)指標(biāo)，對(duì)模型的擬合效果進(jìn)行評(píng)價(jià)評(píng)價(jià)回歸方程回歸效果的優(yōu)劣是回歸分析的重要內(nèi)容之一。常用評(píng)價(jià)指標(biāo)有： 復(fù)相關(guān)系數(shù)、 決定系

10、數(shù)、 校正決定系數(shù)、 剩余標(biāo)準(zhǔn)差等。 1.復(fù)相關(guān)系數(shù)復(fù)相關(guān)系數(shù)復(fù)相關(guān)系數(shù)（R），衡量因變量Y與回歸方程內(nèi)所有自變量線性組合件相關(guān)關(guān)系的密切程度。 0=R=1,沒有負(fù)值。R的值越接近1，說(shuō)明相關(guān)關(guān)系越密切；越接近0說(shuō)明相關(guān)關(guān)系越弱。2、決定系數(shù)、決定系數(shù)決定系數(shù)（coefficient of determination）表示回歸平方和占總平方和的比例，反映各自變量對(duì)因變量回歸貢獻(xiàn)的大小，用R2表示。R2無(wú)單位，取值在01之間。值越大，說(shuō)明回歸平方和在總平方和中所占的比重越大，剩余平方和所占比例越小，回歸效果越好。 總回歸SSSSR 23、剩余標(biāo)準(zhǔn)差、剩余標(biāo)準(zhǔn)差剩余標(biāo)準(zhǔn)差（standard dev

11、iation of residual）為扣除m個(gè)自變量的影響后，因變量仍然存在的變異，即不能由m個(gè)自變量的變化解釋的Y的變異，用 表示。公式為： 剩余標(biāo)準(zhǔn)差越小，說(shuō)明回歸效果越好。剩余標(biāo)準(zhǔn)差除與剩余平方和有關(guān)外，還與自由度有關(guān)，因此剩余標(biāo)準(zhǔn)差與決定系數(shù)對(duì)回歸效果優(yōu)劣的評(píng)價(jià)結(jié)果有時(shí)不一致。研究者通常希望用盡可能少的自變量來(lái)最大限度地解釋因變量的變異，從這個(gè)意義上來(lái)說(shuō)，用剩余標(biāo)準(zhǔn)差作為評(píng)價(jià)回歸效果的指標(biāo)比決定系數(shù)更好。mYs1231123-mnSSMSsmY剩余剩余4、校正決定系數(shù)、校正決定系數(shù)當(dāng)方程中包含很多自變量時(shí)，即使其中一些自變量在解釋因變量的變異時(shí)貢獻(xiàn)很小，但隨著回歸方程中自變量的增加。

12、決定系數(shù)仍然會(huì)表現(xiàn)為只增不減，故計(jì)算校正決定系數(shù)（adjusted coefficient of determination）以消除自變量個(gè)數(shù)的影響。公式為：校正決定系數(shù) 越大，說(shuō)明回歸效果越好。當(dāng)方程中加入有顯著作用的自變量時(shí)， 增大，剩余標(biāo)準(zhǔn)差減??；反之，若方程中引入無(wú)顯著作用的自變量時(shí)， 可能減小，而剩余標(biāo)準(zhǔn)差增大。2adjR221-R111n-m-1adjnMSRMS-剩余總2adjR2adjR2adjR2adjR4、校正決定系數(shù)、校正決定系數(shù)Ch20多元回歸分析多元回歸分析n回歸模型簡(jiǎn)介回歸模型簡(jiǎn)介n多元線性回歸分析的一般步驟多元線性回歸分析的一般步驟n自變量的選擇自變量的選擇n多元

13、回歸方程的應(yīng)用多元回歸方程的應(yīng)用n多元回歸分析的多元回歸分析的SPSSSPSS操作操作奧克姆剃刀奧克姆剃刀上好的模型選擇可遵循一個(gè)稱為奧克姆剃刀(Occams Razor)的基本原理：最好的科學(xué)模型往往最簡(jiǎn)單，且能解釋所觀察到的事實(shí)。William Navidi逐步回歸分析逐步回歸分析“最優(yōu)回歸方程”是指： 對(duì)因變量有顯著作用的自變量，全部選入回歸方程； 對(duì)因變量無(wú)顯著作用的自變量，一個(gè)也不引入回歸方程。選擇”最優(yōu)回歸方程”的方法有: 1最優(yōu)子集回歸法 2向后剔除法（backward selection） 3向前引入法（forward selection） 4逐步回歸法（stepwise se

14、lection）： 逐步選擇法逐步選擇法 1.1.前進(jìn)法（前進(jìn)法（forward selectionforward selection）2.2.后退法（后退法（backward eliminationbackward elimination）3.3.逐步回歸法（逐步回歸法（stepwise regressionstepwise regression）。）。它們的共同特點(diǎn)是它們的共同特點(diǎn)是每一步只引入或剔除一個(gè)自變量。決定其取舍則基于對(duì)每一步只引入或剔除一個(gè)自變量。決定其取舍則基于對(duì)偏回歸平方和的偏回歸平方和的F F檢驗(yàn)檢驗(yàn)1; 1;) 1(21)(-pnpnSSSSSSFjj殘回回在供選擇的m

15、個(gè)自變量中，依各自變量對(duì)因變量作用的大小，即偏回歸平方和（partial regression sum of squares）的大小，由大到小把自變量依次逐個(gè)引入。每引入一個(gè)變量，就對(duì)它進(jìn)行假設(shè)檢驗(yàn)。當(dāng)時(shí)，將該自變量引入回歸方程。新變量引入回歸方程后，對(duì)方程中原有的自變量也要進(jìn)行假設(shè)檢驗(yàn)，并把貢獻(xiàn)最小且退化為不顯著的自變量逐個(gè)剔出方程。因此逐步回歸每一步（引入一個(gè)自變量或剔除一個(gè)自變量）前后都要進(jìn)行假設(shè)檢驗(yàn)，直至既沒有自變量能夠進(jìn)入方程，也沒有自變量從方程中剔除為止?；貧w結(jié)束，最后所得方程即為所求得的“最優(yōu)”回歸方程。逐步回歸逐步回歸逐步回歸逐步回歸逐步回歸逐步回歸1.模型選擇可遵循奧克姆剃刀

16、的基本原理最好的科學(xué)模型往往最簡(jiǎn)單，且能解釋所觀察到的實(shí)事2.對(duì)于線性模型來(lái)說(shuō)，奧克姆剃刀可表示成簡(jiǎn)約原則一個(gè)模型應(yīng)包括擬合數(shù)據(jù)所必需的最少變量3.如果一個(gè)模型只包含數(shù)據(jù)擬合所必需的變量，這個(gè)模型就稱為簡(jiǎn)約模型(parsimonious model)實(shí)際中的許多多元回歸模型都是對(duì)簡(jiǎn)約模型的擴(kuò)展奧克姆剃刀奧克姆剃刀Ch20多元回歸分析多元回歸分析n回歸模型簡(jiǎn)介回歸模型簡(jiǎn)介n多元線性回歸分析的一般步驟多元線性回歸分析的一般步驟n自變量的選擇自變量的選擇n多元回歸方程的應(yīng)用多元回歸方程的應(yīng)用n多元回歸分析的多元回歸分析的SPSSSPSS操作操作多元回歸的應(yīng)用多元回歸的應(yīng)用1影響因素分析 2估計(jì)與預(yù)測(cè)

17、 用回歸方程進(jìn)行預(yù)測(cè)時(shí)，應(yīng)選擇具有較高值的方程。3統(tǒng)計(jì)控制 指利用回歸方程進(jìn)行逆估計(jì)，即通過控制自變量的值使得因變量為給定的一個(gè)確切值或者一個(gè)波動(dòng)范圍。此時(shí)，要求回歸方程的值要大，回歸系數(shù)的標(biāo)準(zhǔn)誤要小。多元線性回歸應(yīng)用時(shí)的注意事項(xiàng)多元線性回歸應(yīng)用時(shí)的注意事項(xiàng) 1樣本含量 2方程“最優(yōu)”問題 3關(guān)于逐步回歸 4多元共線性 5.異常值識(shí)別與強(qiáng)影響分析 多元線性回歸應(yīng)用時(shí)的注意事項(xiàng)多元線性回歸應(yīng)用時(shí)的注意事項(xiàng)1樣本含量 應(yīng)注意樣本含量與自變量個(gè)數(shù)的比例。通常，樣本含量至少為變量數(shù)的5-10倍。2方程“最優(yōu)”問題 目的是精選自變量以求得擬合效果最好的多元回歸方程。最優(yōu)子集回歸是選擇一組使回歸方程擬和最

18、好的自變量，而逐步回歸則選擇對(duì)因變量作用有意義的自變量，要根據(jù)研究目的選用合適的方法。多元線性回歸應(yīng)用時(shí)的注意事項(xiàng)多元線性回歸應(yīng)用時(shí)的注意事項(xiàng)3關(guān)于逐步回歸 進(jìn)行逐步回歸分析時(shí)，隨剔選變量界值的不同，選得的回歸方程不一定相同。方程中引入什么樣的變量，應(yīng)該由研究者結(jié)合專業(yè)知識(shí)以及經(jīng)驗(yàn)來(lái)確定，不加分析的使用逐步回歸難以取得好的效果。另外，逐步回歸在對(duì)大量因素進(jìn)行分析時(shí)，可先進(jìn)行聚類分析，然后進(jìn)行逐步回歸分析等。多元線性回歸應(yīng)用時(shí)的注意事項(xiàng)多元線性回歸應(yīng)用時(shí)的注意事項(xiàng)4多元共線性 多元共線性是指在進(jìn)行多元回歸分析時(shí)，自變量間存在較強(qiáng)的線性相關(guān)關(guān)系。共線關(guān)系的存在，可使得估計(jì)系數(shù)方差加大，系數(shù)估計(jì)不穩(wěn)

19、，結(jié)果分析困難。因此在多元回歸分析時(shí)，特別是當(dāng)回歸結(jié)果難以用專業(yè)知識(shí)解釋時(shí)，要進(jìn)行共線性診斷，找出存在共線性且不重要的那些自變量，剔出方程，另行回歸分析。 對(duì)于存在共線性的資料，可以利用共線性診斷有選擇的保留自變量以消除共線性；或者采用嶺回歸、主成分回歸等回歸分析方法以避免共線性指標(biāo)對(duì)結(jié)果的影響。多元線性回歸應(yīng)用時(shí)的注意事項(xiàng)多元線性回歸應(yīng)用時(shí)的注意事項(xiàng)多元共線性的表現(xiàn)在實(shí)際應(yīng)用中主要表現(xiàn)為： （1）模型擬合效果很好，但偏回歸系數(shù)幾乎都無(wú)統(tǒng)計(jì)學(xué)意義； （2）偏回歸系數(shù)估計(jì)值的方差很大； （3）偏回歸系數(shù)估計(jì)值不穩(wěn)定，隨著樣本含量的增減各偏回歸系數(shù)發(fā)生較大變化或當(dāng)一個(gè)自變量被引入或剔除時(shí)其余變量偏

20、回歸系數(shù)有很大變化； （4）偏回歸系數(shù)估計(jì)值的大小與符號(hào)可能與事先期望的不一致或與經(jīng)驗(yàn)相悖，結(jié)果難以解釋出現(xiàn)以上表現(xiàn)，提示存在多元共線性問題，應(yīng)進(jìn)行多元共線性診斷。常用的共線性診斷指標(biāo)常用的共線性診斷指標(biāo)（1）方差膨脹因子（VIF）常用的共線性診斷指標(biāo)常用的共線性診斷指標(biāo)（2）特征根系統(tǒng)（system of eigenvalues） 共線性診斷指標(biāo)共線性診斷指標(biāo)異常值識(shí)別與強(qiáng)影響分析異常值識(shí)別與強(qiáng)影響分析 異常觀測(cè)值得存在加大了數(shù)據(jù)的離散度，在線性回歸分析中產(chǎn)生較大的殘差，影響回歸函數(shù)的擬合度，所以應(yīng)進(jìn)行異常值識(shí)別和強(qiáng)影響分析?；镜姆椒ㄓ袑W(xué)生化殘差和Cooks距離。（1）學(xué)生化殘差（stud

21、entized residual） Cooks距離距離 學(xué)生化殘差和學(xué)生化殘差和Cooks距離距離 案例：學(xué)生化殘差和案例：學(xué)生化殘差和Cooks距離距離 Ch20多元回歸分析多元回歸分析n回歸模型簡(jiǎn)介回歸模型簡(jiǎn)介n多元線性回歸分析的一般步驟多元線性回歸分析的一般步驟n自變量的選擇自變量的選擇n多元回歸方程的應(yīng)用多元回歸方程的應(yīng)用n多元回歸分析的多元回歸分析的SPSSSPSS操作操作SPSS數(shù)據(jù)結(jié)構(gòu)數(shù)據(jù)結(jié)構(gòu)第一步：選變量第一步：選變量散點(diǎn)圖矩陣graph-scatter/dot散點(diǎn)圖矩陣散點(diǎn)圖矩陣相關(guān)系數(shù)矩陣相關(guān)系數(shù)矩陣Analyze-correlation-bevariate相關(guān)系數(shù)矩陣相關(guān)

22、系數(shù)矩陣第二步：選數(shù)據(jù)第二步：選數(shù)據(jù)Analyze-regression-linear“save”是否滿足方差齊性的要求是否滿足方差齊性的要求以回歸預(yù)測(cè)值為X軸,以標(biāo)準(zhǔn)化殘差為Y軸是否滿足正態(tài)性的要求是否滿足正態(tài)性的要求P-P圖analyze-descriptive-P-Pplot是否滿足正態(tài)性的要求是否滿足正態(tài)性的要求殘差直方圖graph-histogram奇異值和影響點(diǎn)的問題奇異值和影響點(diǎn)的問題Analyze-regression-linear-save第三步：進(jìn)行回歸第三步：進(jìn)行回歸逐步回歸Analyze-regression-linear-stepwise結(jié)果理解結(jié)果理解結(jié)果理解結(jié)果理解結(jié)果理解結(jié)果理解結(jié)果理解結(jié)果理解