《多元线性回归模型的检验》由会员分享，可在线阅读，更多相关《多元线性回归模型的检验（2页珍藏版）》请在金锄头文库上搜索。
1、多元线性回归模型的检验1多元性回归模型与一元线性回归模型一样，在得到参数的最小二乘法的估计值之后，也需要进行必要的检验与评价，以决定模型是否可以应用。1、拟合程度的测定。与一元线性回归中可决系数r2相对应，多元线性回归中也有多重可决系数r2，它是在因变量的总变化中，由回归方程解释的变动(回归平方和)所占的比重，R2越大，回归方各对样本数据点拟合的程度越强，所有自变量与因变量的关系越密切。计算公式为：其中，2.估计标准误差估计标准误差，即因变量y的实际值与回归方程求出的估计值之间的标准误差，估计标准误差越小，回归方程拟合程度越程。其中，k为多元线性回归方程中的自变量的个数。3.回归方程的显著性检
2、验回归方程的显著性检验，即检验整个回归方程的显著性，或者说评价所有自变量与因变量的线性关系是否密切。能常采用F检验，F统计量的计算公式为：根据给定的显著水平a,自由度(k,n-k-1)查F分布表，得到相应的临界值Fa，若F Fa，则回归方程具有显著意义，回归效果显著；F t a或ta / 2，则回归系数bi与0有显著关异，反之，则与0无显著差异。统计量t的计算公式为：其中，Cij是多元线性回归方程中求解回归系数矩阵的逆矩阵(xx) 1的主对角线上的第j个元素。对二元线性回归而言，可用下列公式计算：其中，5.多重共线性判别若某个回归系数的t检验通不过，可能是这个系数相对应的自变量对因变量的影平不
3、显著所致，此时，应从回归模型中剔除这个自变量，重新建立更为简单的回归模型或更换自变量。也可能是自变量之间有共线性所致，此时应设法降低共线性的影响。多重共线性是指在多元线性回归方程中，自变量之彰有较强的线性关系，这种关系若超过了因变量与自变量的线性关系，则回归模型的稳定性受到破坏，回归系数估计不准确。需要指出的是，在多元回归模型中，多重共线性的难以避免的，只要多重共线性不太严重就行了。判别多元线性回归方程是否存在严惩的多重共线性，可分别计算每两个自变量之间的可决系数r2，若r2 R2或接近于R2，则应设法降低多重线性的影响。亦可计算自变量间的相关系数矩阵的特征值的条件数k = 1 / p(1为最大特征值，p为最小特征值),k1000，则自变量间存在严重的多重共线性。降低多重共线性的办法主要是转换自变量的取值，如变绝对数为相对数或平均数，或者更换其他的自变量。6.D.W检验当回归模型是根据动态数据建立的，则误差项e也是一个时间序列，若误差序列诸项之间相互独立，则误差序列各项之间没有相关关系，若误差序列之间存在密切的相关关系，则建立的回归模型就不能表述自变量与因变量之间的真实变动关系。D.W检验就是误差序列的自相关检验。检验的方法与一元线性回归相同。
