回归分析及参数介绍

回归分析：

x变化一单位时，y平均变化多少

如果我们能够确定这条直线，我们就可以用直线的斜率来表示当x变化一单位时y的变化程度，由图中的点确定线的过程就是回归。

β₁、β₂为参数（parameters）,或称回归系数（regressioncoefficients）

实际值与拟合值的差，记为u ，称为残差（residual）

模型拟合度评估：

1. 拟合优度R²：R²越大，说明回归线拟合程度越好；R²越小，说明回归线拟合程度越差。由上可知，通过考察R²的大小，我们就能粗略地看出回归线的优劣。范围为0到1之间
2. 调整R² ：增加了一个解释变量以后，R²只会增大而不会减小。引入调整R² 。
3. AIC信息准则(Akaikeinformation criterion)，是衡量统计模型拟合优良性和模型复杂度的一种标准。注意这些规则只是刻画了用某个模型之后相对“真实模型”的信息损失。

自变量和因变量的相关性评估：

1. P-value（P值或sig值）：判断原始假设是否正确的重要证据，显著性水平。我要证明命题为真->证明该命题的否命题为假->在否命题的假设下，观察到小概率事件发生了->否命题被推翻->原命题为真->搞定。一般以P < 0.05 为显著， P <0.01 为非常显著。
2. beta指的是贝塔系数：指的是自变量与因变量的相关性，数值为正就是正相关，负就是负相关.数字绝对值越大就是相关性越强.
3. t_sta（t统计值）这个自变量是否应该参与因变量的多元回归分析。t＞1有一定影响，t＞2影响重要，t＜1无影响，可不参加回归。