《商务与经济统计》（四）

第十六章：回归分析：建立模型

1、一般线性模型：，式中每一个自变量zj（j=1,2…，p）都是x1，x2，……xk的函数。

被称为具有一个预测变量的简单一阶模型；被称为具有一个预测变量的二阶模型。

注：“一般线性模型”仅指的是β0、β1…，βp全是一次幂，并不意味着y和这些xi之间存在线性关系。

当两个变量之间存在交互作用时，我们不可能独立于其他变量之外，单独地考察一个变量对响应变量y的影响。

涉及变量之间的变换：①、比例变换：如非常数方差存在时用“取对数”来修正；②、倒数变换：用1/y作应变量来代替y。

③、指数模型的变换：形如的指数模型可变换成。

指数模型属于内线型的非线性模型（参数（β0、β1、…、βp）的幂次超过一次的模型）。

2、如何确定应该增加或者删减一个变量：F检验或者t检验。

原多元回归模型：，现增加p-q个自变量，

变成：

为了检验增加的自变量是否在统计上是显著的，提出原假设和备择假设。

给出F统计量：

将计算得到的F统计量的值与【分子自由度：p-q，分母自由度：n-p-1的】F分布表的上侧分位数Fα比较。

若：F＞Fα，则拒绝H0，结论：增加的这组自变量在统计上是显著的。

3、

4、变量选择方法：①、逐步回归②、前向选择③、后向消元④、最佳子集回归。

前3种方法通过“反复迭代”，每一步只增加or删除一个自变量（选择自变量的准则就是“F统计量”），不断对新的回归模型进行评价；这种迭代过程会一直持续下去直到找不到一个更好的模型为止。

    例如：考虑增加x2到包含x1的模型中或从包含x1和x2的模型中删除x2，为了检验增加/删除x2在统计上是否显著，假设如下：

，相应的F统计量应为：

可以利用这个统计量来确定x2的存在是否会引起误差平方和有一个显著的减少。

对应这个F统计量的p-值也可以用来拒绝：如果p-值≤α，则拒绝H0。

第4种方法（最佳子集回归）不是单变量一次性方法，是要对包含不同的自变量子集的回归模型进行评价。

①、逐步回归：逐步回归法可以认为是向前引入法与向后剔除法的综合。逐步回归法克服了向前引入法与向后剔除法的缺点，吸收两种方法的优点。逐步回归法是以向前引入为主，变量可进可出的变量选取方法。它的基本思想是，当被选入的变量在新变量引入后变得不重要时，可以将其剔除，而被剔除的变量当它在新变量引入后变得重要时，又可以重新选入方程。

②、前向选择：从模型中没有自变量开始，一次增加一个变量，一旦一个自变量进入模型中，将不允许删除。

③、后向消元：从包含所有自变量的模型开始。一次删除一个，一旦一个自变量从模型中删除，将不允许再次进入。

前向选择与后向消元是建模过程的两个极端，两种方法可能得到同样的估计回归方程，也可能得到不同的。

④、最佳子集回归：可以借助软件实现。

5、序列相关性/自相关性：yt表示y在时期t的值，而yt的值又依赖y在以前时期的值——这样的一种现象。