[回归分析][7]--定性预测变量

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。
摘要由CSDN通过智能技术生成
[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
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值