第 7 章 複迴歸之二.

Slides:



Advertisements
Similar presentations
Chap 3 微分的應用. 第三章 3.1 區間上的極值 3.2 Rolle 定理和均值定理 3.3 函數的遞增遞減以及一階導數的判定 3.4 凹面性和二階導數判定 3.5 無限遠處的極限 3.6 曲線繪圖概要 3.7 最佳化的問題 3.8 牛頓法 3.9 微分.
Advertisements

工職數學 第四冊 第一章 導 數 1 - 1 函數的極限與連續 1 - 2 導數及其基本性質 1 - 3 微分公式 1 - 4 高階導函數.
©2009 陳欣得 統計學 —e1 微積分基本概念 1 第 e 章 微積分基本概念 e.1 基本函數的性質 02 e.2 微分基本公式 08 e.3 積分基本公式 18 e.4 多重微分與多重積分 25 e.5 微積分在統計上的應用 32.
大綱 1. 三角函數的導函數. 2. 反三角函數的導函數. 3. 對數函數的導函數. 4. 指數函數的導函數.
變數與函數 大綱 : 對應關係 函數 函數值 顧震宇 台灣數位學習科技股份有限公司. 對應關係 蛋餅飯糰土司漢堡咖啡奶茶 25 元 30 元 25 元 35 元 25 元 20 元 顧震宇 老師 台灣數位學習科技股份有限公司 變數與函數 下表是早餐店價格表的一部分: 蛋餅 飯糰 土司 漢堡 咖啡 奶茶.
第 6 章 複迴歸之一.
單元九:單因子變異數分析.
Chapter 2 簡單迴歸模型.
圓的一般式 內容說明: 由圓的標準式展出圓的一般式.
期望值 變異數 共變異數與相關係數 變異數與共變異數之性質 柴比雪夫不等氏 動差與動差生成函數
圓的一般式 內容說明: 由圓的標準式展出圓的一般式.
第16章 複迴歸.
資料分析:相關和迴歸 第十八章 「行銷研究人員必須持續檢視消費者認知和最終 購買決策之間的關係,因此,相關和迴歸技術為行
數 據 分 析 林煜家 魏韶寬 陳思羽 邱振源.
第 14 章 Logistic迴歸.
第十四章 複相關與複迴歸分析 陳順宇 教授 成功大學統計系.
認識倍數(一) 設計者:建功國小 盧建宏.
第四章 數列與級數 4-1 等差數列與級數 4-2 等比數列與級數 4-3 無窮等比級數 下一頁 總目錄.
5.1 自然對數函數:微分 5.2 自然對數函數:積分 5.3 反函數 5.4 指數函數:微分與積分 5.5 一般底數的指數函數和應用 5.6 反三角函數:微分 5.7 反三角函數:積分 5.8 雙曲函數.
迴歸分析 主講人:童超塵 實驗室網址 永久: 實驗室網址 永久: 目前:
Ch7:一般線性模式 GLM.
第14章 迴歸分析與複迴歸分析  本章的學習主題  1.使用迴歸分析的時機 2.最小平方法在迴歸分析上的意義 3.迴歸分析的假設
4B冊 認識公倍數和最小公倍數 公倍數和最小公倍數的關係.
課程九 迴歸與相關2.
邏輯迴歸 Logistic Regression
複迴歸分析-2 Multiple Regression.
第十一章 相關研究法.
Chapter 3 複迴歸分析: 估計.
統計學 指導老師: 郭燿禎 Date: 2/14/12.
第十章 順序資料之假設檢定 10.1 順序資料檢定概論 10.2 符號檢定 10.3 符號秩檢定(成對樣本檢定)
第 五 章 複迴歸分析.
第一章 直角坐標系 1-3 函數圖形.
學習單元:N6 數的性質 學習單位:N6-3 用短除法求H.C.F. 和 L.C.M. 學習重點 : 1. 複習因數分解法求
第一章.
Definition of Trace Function
第 一 章 多元迴歸分析.
有關於股票報酬及匯率變化對台灣醫療產業市場收益的分析
第 15 章 複迴歸 © 滄海書局.
Chapter 1 多變量統計方法介紹. Chapter 1 多變量統計方法介紹 變數資料之類型 以衡量尺度分類 以變數的角色分類 名目尺度(nominal scale ) 序列尺度(ordinal scale) 區間尺度(interval scale) 比率尺度(ratio scale) 以變數的角色分類.
授課老師 : 卓大靖 博士 學 生: 游凱綸 學 號: M 通訊與導航工程系 系統工程與整合實驗室
大綱:加減法的化簡 乘除法的化簡 去括號法則 蘇奕君 台灣數位學習科技股份有限公司
微積分網路教學課程 應用統計學系 周 章.
第五章 估計與信賴區間 5.1 估計概論 估計量的分配 信賴度、信賴區間與最大容忍誤差16
第十章 證券投資組合.
圓的定義 在平面上,與一定點等距的所有點所形成的圖形稱為圓。定點稱為圓心,圓心至圓上任意一點的距離稱為半徑,「圓」指的是曲線部分的圖形,故圓心並不在圓上.
授課內容: 時間序列與橫斷面資料的共用 政治大學行政管理碩士學程共同必修課 課程名稱:社會科學研究方法(量化分析) 授課老師:黃智聰
上課大綱 迴歸係數的區間估計與假設檢定 統計顯著性與經濟顯著性 迴歸模型中的點預測與區間預測 配適度分析(變異數分析)
第一章.
Chapter 4 迴歸分析. Chapter 4 迴歸分析 迴歸分析原理 迴歸分析的目的在於找出一條最能夠代表所有觀測資料(樣本點)的函數(迴歸估計式),用這個函數代表應變數和自變數之間的關係 多變量分析—管理上的應用.
電子期刊使用統計 CONCERT 2002 meeting November 13-14, 2002 羅宙康 Springer-Verlag
第 2 章 迴歸分析的推論.
交流電路(R-L) R-L Series Circuits ATS電子部製作.
MiRanda Java Interface v1.0的使用方法
反矩陣與行列式 東海大學物理系‧數值分析.
楊志強 博士 國立台北教育大學系 教育統計學 楊志強 博士 國立台北教育大學系
1-1 二元一次式運算.
1757: Secret Chamber at Mount Rushmore
簡單線性迴歸模型:隨機解釋變數與時間落差分配模型
第一章 直角坐標系 1-3 函數及其圖形.
線性規劃的其他演算法 Special Simplex Method
4-1 變數與函數 第4章 一次函數及其圖形.
第四組 停車場搜尋系統 第四組 溫允中 陳欣暉 蕭積遠 李雅俐.
政治大學財政所與東亞所選修--應用計量分析--中國財政研究 黃智聰
Chapter 1 多變量統計方法介紹. Chapter 1 多變量統計方法介紹 變數資料之類型 以衡量尺度分類 以變數的角色分類 名目尺度(nominal scale ) 序列尺度(ordinal scale) 區間尺度(interval scale) 比率尺度(ratio scale) 以變數的角色分類.
Chapter 4 Multi-Threads (多執行緒).
解下列各一元二次方程式: (1)(x+1)2=81 x+1=9 或 x+1=-9 x=8 或 x=-10 (2)(x-5)2+3=0
17.1 相關係數 判定係數:迴歸平方和除以總平方和 相關係數 判定係數:迴歸平方和除以總平方和.
第 七 章 共線性 與 偏相關.
第十七講 重積分 應用統計資訊學系 網路教學課程 第十七講.
第三章 比與比例式 3-1 比例式 3-2 連比例 3-3 正比與反比.
Presentation transcript:

第 7 章 複迴歸之二

7.1 額外平方和 基本想法 額外平方和

定義 由於額外平方和是在衡量新舊兩種迴歸模型間的誤差平方和之差,因此我們可以定義: (7.1a) 或 (7.1b) 若X2是後來才加入的新預測變數,則 (7.2a) (7.2b)

將上述定義擴增至三個或三個以上時,例如: (7.3a) 或 (7.3b) 而且, (7.4a) 等價於 (7.4b)

分解SSR成為額外平方和 複迴歸的迴歸平方和SSR可以依照不同的額外平方和形式,而有多種不同的總和分解方式,首先考慮(2.50)的等式 (7.5) 上式中指出模型的預測變數為X1,現在利用(7.2a)的等式代入: (7.6) 於是形成兩個預測變數的複迴歸平方和等式,亦即: (7.7) 根據(7.7)與(7.6)的結果,我們可以得到: (7.8)

事實上,引進預測變數的順序可能會改變,所以平 方和 也可以分解為: (7.9) 當迴歸模型所引進的預測變數有三個時,則可能有 多種的分解形式,例如: (7.10a) (7.10b) (7.10c)

包含SSR之分解的ANOVA表

如果同時引進兩個預測變數時,則額外平方和 將具有兩個自由度,因為它可以 表示成兩個各具有一個自由度的額外平方和之總 和,例如: (7.11) 所以均方可以計算如下:

7.2 利用額外平方和檢定迴歸係數 檢定單一 此外,上述檢定也可以根據2.8節所介紹的一般線性檢定方法來進行。我們先考慮三個預測變數的一階迴歸模型: (7.12) 假設檢定為: (7.13) (7.13)的成立時可以得到縮減模型為: (7.14)

一般線性檢定之統計量為(2.70): 亦即: 上式分子中的兩個誤差平方和之差正是(7.3a)的額外 平方和: 所以一般線性檢定之統計量為: (7.15)

檢定多個 檢定的虛無假設為: (7.16) 採用一般的線性檢定,在成立下之縮減模型為: (7.17) 檢定之統計量為: (7.18)

7.3 檢定迴歸係數之總結 檢定所有的 式子(6.39)的整體F檢定是針對反應變數Y對於所有的預測變數X,是否存在迴歸關係之檢定,檢定的虛無假設為: (7.21) 而檢定的統計量為: (7.22)

檢定單一 針對特定迴歸係數 的部份F檢定,檢定的虛無假設為: (7.23) 而檢定的統計量為: (7.24) 式子(6.51b)為一個等價的檢定統計量: (7.25)

檢定多個 這是另一種部份F檢定,檢定的虛無假設為: (7.26) 為了方便表示,我們把要進行檢定的(p - q)個變數移至最後,檢定的統計量為: (7.27)

如果統計套裝軟體有提供所需的額外平方和,則 (7.28) 檢定統計量(7.27)也可以用在具有截距項 時的全 模型與縮減模型上,我們透過複判定係數表示如 下: (7.29)

其他檢定 有時迴歸係數的檢定並不是針對單一或多個 ,則無法使用額外平方和,所以一定要分別配適全模型與縮減模型,然後進行一般線性檢定,例如全模型中有三個預測變數X: (7.30) 而我們想檢定: (7.31) 於是可以先配適全模型,然後配適縮減模型: (7.32)

另外一個額外平方和無法適用的例子為檢定迴歸模 型(7.30)中: (7.33) 縮減模型為: (7.34)

7.4 偏判定係數 雙預測變數 SSE(X2)是可以用來衡量變數X2引進模型中時,對於Y變數的變異影響,SSE(X1, X2)則是用來衡量變數X1與X2引進模型中時,對於Y變數的變異影響,因此當變數X2已經在模型中時,變數X1對於Y變數的變異之邊際貢獻比率為:

此一數值可以視為給定X2已經在模型中時,Y變 表示: (7.35) 類似的作法可以用來定義給定X1已經在模型中時,Y變數與變數X2之間的偏判定係數: (7.36)

一般情形 上述關於偏判定係數的定義可以立即推廣至三個或三個以上X變數的模型如: (7.37) (7.38) (7.39) (7.40)

偏相關係數

7.5 標準化複迴歸模型 標準方程式計算的捨入誤差 迴歸係數的不可比較性 相關轉換 轉化為以該變數之標準差為單位,因此一般反應變數Y與預測變數X1, …, Xp - 1其標準化後如下: (7.43a) (7.43b)

其中 與 分別為Y與 觀測值的平均,而 與 則分別是其標準差,定義如下: (7.43c) (7.43d) 於是相關轉換可以藉由(7.43a,b)的標準化,簡單修改 為: (7.44a) (7.44b)

標準化迴歸模型 透過(7.44)的相關轉換後,進行配適的迴歸模型稱為標準化迴歸模型: (7.45) 另外我們可以發現標準化迴歸模型的參數 與一般複迴歸模型(6.7)之參數 有下列的關係: (7.46a) (7.46b)

轉換變數後的 矩陣 為了研究經過相關轉換後的 與最小平方標準方程式的特殊性質,我們可以將(6.67)中有關反應變數與預測變數兩兩相關係數之相關矩陣分解為二: 1.第一個矩陣以 表示,稱為X變數的相關矩陣,組成元素為所有X變數兩兩間的簡單相關係數,其定義如下: (7.47)

2.第二個矩陣以 表示,是由反應變數Y與每一個X 變數間的簡單相關係數(一樣用符號 等等 表示)所組成的向量: (7.48) 現在我們可以開始考慮(7.45)的標準化迴歸模型中 經過轉換變數的 矩陣,此時的X矩陣為: (7.49)

由於(7.45)的標準化迴歸模型並沒有截距項,因此在 X矩陣中並沒有全為1的行,同時可以經證明而得到 轉換變數後的 就是(7.47)中的相關矩陣,亦即 (7.50) 標準化迴歸係數的估計 一般複迴歸模型的最小平方標準方程式(6.24) 與最小平方估計量(6.25): 對於經轉換過後之變數,可以證明為: (7.51)

根據(7.50)與(7.51)可以得到標準化迴歸模型(7.45)的最 小平方標準方程式,以及迴歸係數之估計量如下: (7.52a) (7.52b) 其中, (7.52c) 而迴歸係數習慣上稱之為標準化迴歸係數。

藉由下面的關係式可以轉換回原變數下的迴歸模型(6.7)中估計之迴歸係數: (7.53a) (7.53b) 說明 當迴歸模型中只有兩個X變數,亦即當p - 1 = 2時,可以將標準化迴歸係數之代數式寫出,利用: (7.54a) (7.54b)

(7.54c) 可以藉由(7.52b)得到: (7.55) 所以: (7.55a) (7.55b)

7.6 多重共線性及其效果 預測變數無相關

說明 要證明當 與 無相關性時, 的迴歸係數不會因 加入迴歸模型後而有所改變,我們可以考慮兩預測變數在第一階複迴歸模型下, 的代數式: (7.56) 當 與 無相關性時, ,所以(7.56)成為: (7.56a)

預測變數完全相關下的問題本質 我們在此假設當兩個預測變數為完全相關的情形,表7.8為一個反應變數與兩個預測變數下,收集四個樣本觀測值的例子,A先生配適了一個第一階複迴歸函數: (7.57) A先生配適後之結果如下: (7.58) 在表7.8中列出了配適值。

而同一時間B小姐也針對同樣的資料配適了(5.57) 的第一階複迴歸函數,卻得到結果如下: (7.59) 事實上可以證明有無窮多個可能的反應函數可以完 全配適出表7.8的資料,其原因是兩個預測變數具有 下列的完全相關性: (7.60)

多重共線性效果 對迴歸係數的效果

對的效果 對配適值及預測值的效果 說明 3.當迴歸模型的變數進行過(7.44)的相關轉換後,將可以立即發現預測變數間的相關性,對於估計迴歸係數的標準差產生作用,下面我們考慮兩預測變數下的第一階模型: (7.61) 模型經由(7.44)的相關轉換後,成為: (7.62)

此一標準化模型的 可以利用(7.50)與(7.54c) 得到: (7.63) 因此,應用(6.46)與(7.63)可以得到所估計之迴歸係 數的共變異矩陣: (7.64) 其中,為標準化模型(7.62)的誤差項變異數,我們看 到此處所估計之迴歸係數與具有相同變異數: (7.65) 對於多重共線性所需的更有效診斷方法