多元有序logistic回归分析_多元线性回归分析

首先，多元回归是干什么用的？

在回归分析中，如果有两个或两个以上的自变量，就称为多元回归。实际应用中，一种现象常常是与多个因素相联系的，由多个自变量的最优组合共同来预测或估计因变量，比只用一个自变量进行预测或估计更有效，更符合实际。总的来说，回归分析就是用来做预测的，多元回归要比一元回归更加高效实用。

如果线性回归方程存在，那么我们要求出每一项 X 前的系数

和常数项

。若要使求得的回归方程效果比较好，也就是使预测值(估计值)与样本值 Y 最接近。让误差平方和 Q 最小，使用最小二乘法，避免了正负抵消问题。那么使回归模型最有效问题转化为求 Q 的最小值问题。

求 Q 的最小值，把预测值代入之后，分别对

...

求偏导得到线性方程组，通过矩阵法求解得到

...

，即常数项和系数值。

按照上面的方法求得各个系数之后，要对方程的显著性和偏回归系数进行检验。即求得的回归方程是否达到统计意义，是否达到0.05的显著水平。和一元回归不同的是这里的系数叫做偏回归系数，因为自变量的个数多于一个。

首先对总偏差平方和进行分解，分解为回归平方和与残差平方和。对于回归方程来讲，残差平方和越小越好，因为它对应的是预测值与样本值之间的差异。这里和一元回归类似，采用 F 检验。目的就是检验：回归平方和是否大于残差平方和（F的右尾检验），如果大于，那么就可以说该方程具有统计意义。

其中m是变量个数，n是样本容量，有了两个自由度可以求得F分布曲线。可以通过曲线在0.01或者0.05的临界值与求得的 F 值进行比较，判断回归方程是否显著。

通过把数据代入计算，求得 F 的值为8.28 与0.01对应临界值相比，大于临界值。则与0.05对应的临界值相比也是大的，所以建立的回归方程具有统计学意义。

这里4个 F 值相加并不等于总的平方和133.7107，因为m个自变量之间可能会存在某种相关性。只有当m个自变量相互独立的时候，才会相等。

t 检验和 F 检验的结果是一样的。

不能因为

的系数小，就说

对预测值的影响小。因为这是未标准化的系数，有可能它们的量纲不一样。

变量标准化也就是把变量的均值变为0，方差变为1的一组新的变量。