[回归分析][7]--定性预测变量_chapter 7 含有定性信息的多元回归分析-CSDN博客

本文链接：https://blog.csdn.net/WMN7Q/article/details/53039341

本文探讨了回归分析中特殊的一类变量——定性预测变量，例如性别和季节等。通过实例展示了如何处理这些变量，以及如何分析不同年份间人均教育支出的显著差异。使用全模型进行F检验，发现定性变量对模型有显著影响，说明教育经费因年份而变化，需要纳入模型进行拟合。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

[回归分析][7]--定性预测变量

这一篇文章将讲一类特殊的变量。（0--1变量）

如可以表示性别（男/女），季节（4个季节需要三个变量）

我们来看一个具体用法的例子。

*——————————下面是例子————————*

有三个年限1960，1970，1975

现在考虑人均教育支出在每个年份是否有显著差异。

是不是感觉很熟悉，和前面一篇文章的F检验差不多，确实，这里的问题在于全模型(FM)构造。

T1和T2是预测变量

则全模型为

每一个定性变量都会 Y1*T1 ， Y2*T1，表示T1对斜率个截距的改变量。

RM：Y = B0+B1*X1+B2*X2+B3*X3

下面给出数据

{data1960, data1970, 
   data1975} = {
    {
    {61, 1704, 388, 399, 1, 1960, -1, 1, 0}, {68, 1885, 
     372, 598, 1, 1960, -1, 1, 0}, {72, 1745, 397, 370, 1, 1960, -1, 
     1, 0}, {72, 2394, 358, 868, 1, 1960, -1, 1, 0}, {62, 1966, 357, 
     899, 1, 1960, -1, 1, 0}, {91, 2817, 362, 690, 1, 1960, -1, 1, 
     0}, {104, 2685, 341, 728, 1, 1960, -1, 1, 0}, {99, 2521, 353, 
     826, 1, 1960, -1, 1, 0}, {70, 2127, 352, 656, 1, 1960, -1, 1, 
     0}, {82, 2184, 387, 674, 2, 1960, -1, 1, 0}, {834, 1990, 392, 
     568, 2, 1960, -1, 1, 0}, {834, 2435, 366, 759, 2, 1960, -1, 1, 
     0}, {104, 2099, 403, 650, 2, 1960, -1, 1, 0}, {84, 1936, 393, 
     621, 2, 1960, -1, 1, 0}, {103, 1916, 402, 610, 2, 1960, -1, 1, 
     0}, {86, 1863, 38