转：线性回归标准化与R、T、F

转自：https://blog.csdn.net/jinruoyanxu/article/details/51628441?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromBaidu-1.control&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromBaidu-1.control

1、标准化

对于多元线性回归需要对各个自变量进行标准化，排除单位的影响。

标准化方法：即将原始数据减去相应变量的均数后再除以该变量的标准差，而标准化得到的回归方程称为标准化回归方程，相应得回归系数为标准化回归系数。

2、T检验

T检验是对各个回归系数的检验，绝对值越大，sig就越小，sig代表t检验的显著性，在统计学上，sig<0.05一般被认为是系数检验显著，显著的意思就是你的回归系数的绝对值显著大于0，表明自变量可以有效预测因变量的变异，做出这个结论你有5%的可能会犯错误，即有95%的把握结论正确。

3、F检验

F检验是对所有回归系数的检验，代表你进行回归的所有自变量的回归系数的一个总体检验，如果sig<0.05,说明至少有一个自变量能够有效预测因变量，这个在写数据分析结果时一般可以写出。

F检验和R平方同向变化，当R方=0时F=0；

当R方越大，F值也就越大

当R方=1时，F为无穷大。

F检验是所有回归系数的总显著性的度量也是R方的显著性检验，即检验回归系数为0 等价于R方为0，也就是在计算R方后，就不必做F检验。

另外对于一元线性回归，F检验等价于T检验，因为回归系数只有一个。

4、R方

对于每组数据，我们可以用最小二乘法来求得一个线性模型，但对于这个模型的效果如何，如何来比较模型之间的好坏呢。R方就是来处理这个问题，它可以来计算预测值和真实y值的匹配程度，当R方（0~1）越接近1，这线性关系越明显。

而在使用的时候要用调整后的R方，这个值是针对自变量的增多会不断增强预测力的一个矫正（因为即使没什么用的自变量，只要多增几个，R方也会变大，调整后的R方是对较多自变量的惩罚），R可以不用管，标准化的情况下R也是自变量和因变量的相关