线性回归的检验
博客专区 > bapleliu 的博客 > 博客详情
线性回归的检验
bapleliu 发表于2个月前
线性回归的检验
  • 发表于 2个月前
  • 阅读 5
  • 收藏 0
  • 点赞 0
  • 评论 0

腾讯云 十分钟定制你的第一个小程序>>>   

 在一元线性回归和多元线性回归中常常需要进行线性显著性检验(F检验)和系数相关性检验(t检验)。

 通过对数据进行分析得出数据服从下面公式:

 多元线性回归预测模型一般公式为:

  \hat{Y}_t=a+b_1 x_1+b_2 x_2+b_3 x_3+\ldots+b_n x_n

    式中:

    \hat{Y}_t :因变量;

  x1,x2……:两个不同自变量,即与因变量有紧密联系的影响因素。

  a,b1,b2……:是线性回归方程的参数。

 通过回归分析预测得出模型需要两个检验。

 一、F检验

 F检验又叫方差齐性检验。在两样本t检验中要用到F检验。

 从两研究总体中随机抽取样本,要对这两个样本进行比较的时候,首先要判断两总体方差是否相同,即方差齐性。若两总体方差相等,则直接用t检验,若不等,可采用t检验或变量变换或秩和检验等方法。

 其中要判断两总体方差是否相等,就可以用F检验。

 回归平方和SSR表示Y估计值与平均值之差的平方和,其自由度为自变量个数p;残差平方和SSE表示Y的实际观测值与估计值之差的平方和,其自由度为观察次数n与自变量个数p之差减1,即使n-p-1。

 回归方程线性是否显著:

       原假设H0:b1=b2=b3=……=0

       备择假设H1:b1、b2、b3……至少有一个不为0。

 F=(SSR/p)/[SSE/(n-p-1)]

 F服从分子p个自由度、分母n-p-1个自由度的F分布。

 若F<=Fα,表明SSR比较小,估计值与平均值比较接近,说明各自变量系数在(1-α)的置信度内服从原假设;如果F>Fα,则放弃原假设,有(1-α)的置信度选择备择假设,证明至少一个系数不为0,回归方程是线性显著的。

 二、t检验

 系数bi的估计值与其标准差的商服从t分布。

        T=(bi估计值)/(bi估计值的标准差)

 根据大数定律,bi估计值服从正态分布,其标准差是多个正态分布的平方和除以次数,故服从t分布.

      原假设:bi=0

      备择假设:bi不为0

 如果bi=0,则bi估计值与实际值0之差越小,越能相信原假设,反之则相信备择假设。

 则如果T>Tα,则相信备择假设,有(1-α)置信度相信该系数不为0;如果T<=Tα,则说明该系数为0,该自变量不能影响因变量Y。

参考:http://blog.sina.com.cn/s/blog_5c2cfefb0100ej3p.html

共有 人打赏支持
粉丝 2
博文 21
码字总数 33378
×
bapleliu
如果觉得我的文章对您有用,请随意打赏。您的支持将鼓励我继续创作!
* 金额(元)
¥1 ¥5 ¥10 ¥20 其他金额
打赏人
留言
* 支付类型
微信扫码支付
打赏金额:
已支付成功
打赏金额: