SAS进行多元非线性回归

多元非线性回归方程重要方法是转化为线性回归方程.转化时应首先选择适合的非线性回归形式，并将其线性化。对于实际问题，首先应对原始数据进行作图或通过观察，选择适当函数进行拟合。

已知1978~2006年全国GDP（y），第一产业x1、第二产业x2、工业生产总值x3、第三产业生产总值x4，请建立y对x1~x4的回归模型。

 data ex;                                                                                                          
        input y x1-x4@@;                                                                                            
        y1=log(y);z1=log(x1);z2=log(x2);z3=log(x3);z4=log(x4);/*对数据做变化，取对数后再做回归分析*/                        
        cards;                                                                                                                              
        16.8453 5.6092  7.4436  6.3735  3.7925                                                           
        21.383  6.6329  10.0585 8.7584  4.6916                                                                       
        23.1716 6.5819  11.1424 9.6623  5.4473                                                                          
        25.7289 7.0974  12.3181 10.6641 6.3134                                                                                    
        28.6247 7.7973  13.5101 11.288  7.3173                                                                                
        32.3103 9.1952  14.6343 12.0864 8.4808                                                                                    
        36.4037 10.0688 16.1664 12.9822 10.1685                                                                                   
        45.0774 12.0844 19.7301 15.5838 13.2629                                                                                     
        51.4749 13.1395 22.252  17.4528 16.0834                                                                                  
        63.4135 17.4543 27.5363 21.4193 21.1229                                                                                   
        82.3484 19.4304 35.6294 28.8678 27.2886                                                                                    
        92.7143 21.2031 39.3832 33.0194 32.128                                                                                   
        101.4633        24.3772 40.5796 34.3378 36.5065                                                                          
        117.4178        24.1941 48.4759 41.0114 44.7478                                                                            
        147.5213        26.6151 62.6834 52.2893 58.2219                                                                           
        188.8958        30.1613 82.3853 67.8921 76.3492                                                                 
        253.0577        35.8777 111.324 91.4335 105.856                                                                       
        320.4072        45.578  137.4362        102.6372        137.393                                                        
        397.5701        58.3757 167.9238        130.2389        171.2706                                                     
        475.8691        68.732  197.5005        157.0486        209.6366                                                       
        534.5969        70.7519 222.8439        174.1697        241.0011                                                     
        580.036 71.3285 238.4684        187.0766        270.2391                                                              
        656.4098        74.1104 268.3988        206.0297        313.9006                                                       
        728.0774        78.3636 297.0933        217.9077        352.6205                                                     
        812.8469        79.1826 328.0378        229.521 405.6265                                                             
        929.4858        83.2886 393.6734        268.2806        452.5238                                                       
        1133.8828       103.3327        504.571 341.5303        525.9791                                                   
        1519.90         112.59  655.27  469.28  752.04                                                                     
        1790.66 123.25  774.66  584.41  892.75                                                                           
        ;                                                                                                                                   
        proc reg;/*reg调用回归模块*/                                                                                     
        model y1=z1 z2 z3 z4/cli;/*表示以z1 z2 z3 z4为自变量，y1为应变量建立回归模型，/cli表示要求预测区间。加入/selection=stepwise时，表示逐步回归
        proc corr;var z1-z4;/*求相关系数矩阵*/                                                                                  
        run;                   

(1)回归方程显著性检验

由Analysis of Variance 表可知，其F Value=73270.5，Pr>F 的值小于0.0001，远小于0.05，故拒绝原假设，接受备择假设，认为y1与z1，z2,z3,z4之间具有显著的线性相关关系；由R-Square的值为0.9999可知该方程的拟合度很高，样本观察值有99.99%的信息可以用回归方程进行解释，故拟合效果较好。

(2)参数显著性检验

由Parameter Estimates表可知，对自变量z3检验t值为t=-0.36，Pr>|t|的值等于0.7256，大于0.05，因此接受原假设H0：β3=0认为z3的系数应为0，说明z3的系数没有通过检验.为此，需要在程序model y＝z1 z2 z3 z4中去掉z3.

再次运行得到结果

 

由Parameter Estimates表可知，对常数检验t值为t=14.79，Pr>|t|的值小于0.0001，远小于0.05，说明截距项通过检验.为此，估计值为0.96744.

对自变量z1检验t值为---------------.为此，估计值为-----.

对自变量z2检验t值为---------------为此，估计值为-----.

对自变量z4检验t值为---------------为此，估计值为-----.

以上结果表明所有变量的系数均通过检验，于是该线性模型即可得到。

（如果有多个系数没通过检验，可使用逐步回归方法，在y1=z1 z2 z3 z4后加/selection=stepwise 表示逐步回归，让软件自动保留通过检验的变量）

(3)拟合区间

以上仅列出10个样本的拟合结果，其中Dep Var y1为因变量的原始值，Predicted Value为y的拟合值，95% CL Predict为拟合值95%的拟合区间，Residual为残差.例如，第一组原函数值为2.8241，拟合区间为[2.7457 ,2.8176],残差为0.0424.

综合以上分析，可以得到线性回归方程：

y1=0.09768z1+0.65586z2+0.24696z4+0.96744

又因为y1=ln(y),zi=(xi)(i=1,2,4),将方程还原可以得到y关于x1，x2，x4的函数式：

y=2.6312*x1^0.0977*x2^0.656*x4^0.247

其中y表示全国GDP总值，x1表示第一产业生产总值，x2表示第二产业生产总值，x4表示第三产业生产总值。

 

总结：首先用方差分析法检验因变量y与m个自变量之间的线性回归方程有无显著性；

其次对每个自变量的偏回归系数进行t检验，以剔除在方程中不起作用的自变量