数学建模之岭回归

EverydayOneCat

⛽️！！

知识点

1.笔记

2.用岭回归选择变量

岭回归选择变量的原则：

（1）可以剔除掉标准化岭回归系数比较稳定且绝对值很小的自变量。
（2）随着k的增加，回归系数不稳定，震动趋于零的自变量也可以剔除。
（3）有若干个回归系数不稳定，去掉几个，去掉哪几个，需根据去掉某个变量后重新进行岭回归分析的效果来确定。

例：空气污染问题。Mcdonald 和Schwing 曾研究死亡率与空气污染、气候以及社会经济状况等因素的关系。考虑了15个解释变量，收集了60组样本数据。

把15个回归系数的岭迹画到图中，我们可看到，当k=0.20时岭迹大体上达到稳定。按照岭迹法，应取k=0.2。

若用方差扩大因子法，因k=0.18时，方差扩大因子接近于1，当k在0.02～0.08时，方差扩大因子小于10，故应建议在此范围选取k。

从岭迹看到自变量x4,x7,x10,x11和x15有较稳定且绝对值比较小的岭回归系数，根据变量选择的第一条原则，这些可以去掉。
又因为自变量x12和x13的岭回归系数很不稳定，且随着k的增加很快趋于零，根据上面的第二条原则，也应该去掉。
再根据第三条原则去掉变量x3和x5。

这个问题最后剩的变量是x1，x2，x6，x8，x9，x14。

3.岭回归的应用

以民航客运量模型为例

3.1多元线性回归模型的建立

第一步，提出因变量与自变量，收集数据

SAS程序如下：

data sj; 
input time y x1-x5@@; /*@@:指针控制符，读取下面数据时自动换行*/
card;
… 省略号部分录入数据
;
run;

第二步，Pearson相关系数检验

proc corr data=sj; /*proc: 过程步的开始，表示调用;corr: 相关系数矩阵*/
var y; 
with x1 x2 x3 x4 x5; /*with 表示y和这些，不加的话就是两两相比较*/
run;

说明x3和y没有信息传递。

第三步，做回归分析，输出结果

proc reg data=sj; 
model y=x1 x2 x3 x4 x5; /*reg: 线性回归*/
run;

由此写出回归方程：

第四步，回归诊断

(1) 拟合优度检验

(2) F检验

第五步，DW检验，检验随机项的一阶自相关性

proc reg data=sj; 
model y=x1 x2 x3 x4 x5/dw; /*dw: DW检验*/
run;

3.2岭回归模型的建立

x2的回归系数-0.5614 是负的， x2是消费额，负的回归系数显然是不合理的，其原因可能是