回歸分析中的f檢驗 - CSDN

2021-01-16 CSDN技術社區

##作業:分析影響中國人口自然增長的主要原因,並建立人口自然增長率與各經濟因子之間的多元回歸模型,並對建立的模型進行統計檢驗(包括擬合優度、F檢驗、t 檢驗,並用多元逐步回歸方法解決多重共性問題。

%基於矩陣運算的多元線性回歸分析
%參數估計
x1=[15037 17001 18718 21826 26937 35260 48108 59811 70142 78061 83024 88479 98000 108068 119096 135174 159587 184089 213132];
x2=[18.8 18 3.1 3.4 6.4 14.7 24.1 17.1 8.3 2.8 -0.8 -1.4 0.4 0.7 -0.8 1.2 3.9 1.8 1.5];
x3=[1366 1519 1644 1893 2311 2998 4044 5046 5846 6420 6796 7159 7858 8622 9398 10542 12336 14040 16024];
y=[15.73 15.04 14.39 12.98 11.6 11.45 11.21 10.55 10.42 10.06 9.14 8.18 7.58 6.95 6.45 6.01 5.87 5.89 5.38];
x=[x1;x2;x3]; %向量合併為矩陣
X=[ones(length(y),1) x』]; %在矩陣中加入常數向量並轉置
Y=y』; %因變量向量轉置
[m,n]=size(x); %計算自變量矩陣的行列數
B=inv(X』*X)*X』Y; %計算回歸係數
Yp=XB; %建立預測模型

%計算用於檢驗的統計量
R2=(abs(B』X』Y)-nmean(y)2)/(abs(Y』*Y)-n*mean(y)2);
%計算復相關係數
Radj2=R2-(1-R2)(m+1)/(n-m-1); %計算校正相關係數平方
s=sqrt((Y』*Y-B』*X』*Y)/(n-m-1)); %計算標準誤差
v=s/mean(y); %計算變異係數
F=(abs(B』*X』Y)-nmean(y)2)/(m*s2); %計算F統計量
e=Y-Yp; %計算殘差
i=1:n-1; %殘差編號
DW=sumsqr(e(i+1)-e(i))/sumsqr(e); %計算Durbin-Watson統計量

%計算偏自相關係數
i=1:n;j=1:m+1; %定義矩陣元素編號
Xy=[x』 Y]; %將變量合併為一個新矩陣
M=mean(Xy(:,j)); %計算各個變量的均值
S=std(Xy(:,j)); %計算各個變量的標準差
Mv=M(ones(n,1)😅; %均值向量平移為矩陣
Sv=S(ones(n,1)😅; %標準差向量平移為矩陣
Xs=(Xy-Mv)./Sv; %數據標準化
Rs=cov(Xs); %計算簡單相關係數矩陣
C=inv(Rs); %計算簡單相關係數矩陣的逆矩陣
Cjy=C(:,m+1); %提取逆矩陣的末列
Cjj=diag©; %提取逆矩陣的對角線元素
Pr=-Cjy./((Cjj*C(m+1,m+1)).^0.5); %計算偏相關係數
Rjy=Pr(1:m); %提取自變量的偏相關係數

%計算t統計量
i=1:n;j=1:m; %定義矩陣元素編號
xt=x』; %自變量矩陣轉置
M=mean(xt(:,j)); %計算自變量均值
N=M(ones(n,1)😅; %均值向量平移為矩陣
Z=xt-N; %變量中心化
P=Z』Z; %計算自變量的交叉乘積和
D=inv§; %交叉乘積和矩陣求逆
d=diag(D); %提取逆矩陣的對角線元素
sb=d.^0.5s; %計算參數標準誤差
b=B(2:m+1); %提取回歸係數
T=b./sb; %計算t統計量

%給出部分計算結果
B,R2,s,F,DW,T,Rjy %給出參數和統計量的計算值

%藉助相關係數矩陣計算共線性容忍度和相應的VIF值
% x1=[15037 17001 18718 21826 26937 35260 48108 59811 70142 78061 83024 88479 98000 108068 119096 135174 159587 184089 213132];
% x2=[18.8 18 3.1 3.4 6.4 14.7 24.1 17.1 8.3 2.8 -0.8 -1.4 0.4 0.7 -0.8 1.2 3.9 1.8 1.5];
% x3=[1366 1519 1644 1893 2311 2998 4044 5046 5846 6420 6796 7159 7858 8622 9398 10542 12336 14040 16024];
x=[x1;x2;x3]; %自變量向量合併為矩陣
[m,n]=size(x); %計算矩陣的行列數
i=1:n;j=1:m; %定義矩陣元素編號
X=x』; %自變量矩陣轉置
M=mean(X(:,j)); %計算各個變量的均值
S=std(X(:,j)); %計算各個變量的標準差
Mv=M(ones(n,1)😅; %均值向量平移為矩陣
Sv=S(ones(n,1)😅; %標準差向量平移為矩陣
Xs=(X-Mv)./Sv; %數據標準化
Rs=cov(Xs); %計算簡單相關係數矩陣
C=inv(Rs); %計算簡單相關係數矩陣的逆矩陣
VIF=diag©; %提取對角線上的VIF值
Tol=ones(m,1)./VIF; %計算容忍度Tol值
Col=[[j]』 Tol VIF]; %提取自變量的偏相關係數

%輸出多重共線性判斷計算結果
Rs

後話:本人只是搬運工,文章非原創!如有錯誤,請指出。

相關焦點

  • 回歸分析檢驗_回歸分析中f檢驗和t檢驗 - CSDN
    『回歸分析』『線性回歸中的平方誤差』如上圖,線性回歸的平方誤差如下此時,可以利用卡方分布分析結果,排除可疑結果。不同的卡方檢驗使用不同的計算公式計算統計量,卡方檢驗都假設其使用的統計量服從卡方分布。對分類數據進行分析的統計方法主要是利用卡方分布,也被稱作卡方檢驗。
  • 回歸模型中f檢驗公式 - CSDN
    【可解釋的方差】     MSM( Mean of Squares for Model)  = SSR /DFM第五:線性回歸和方差分析1、方差分析中的分析變量實際上就是線性回歸中的因變量,方差分析中的分組變量就是線性回歸中的自變量。
  • f值 mse p值 ssr 線性回歸 - CSDN
    回歸分析--多元回歸介紹一下多元回歸分析中的統計量總觀測值 總自變量 自由度:回歸自由度 ,殘差自由度  SST總平方和                  SSR回歸平方和
  • 在回歸分析中t檢驗_回歸分析的t檢驗如何做 - CSDN
    統計分析和數據挖掘的區別和聯繫聯繫:都來源於統計基礎理論,數據挖掘中也經常會用到統計分析方法,如主成分分析、回歸分析     區別:數據挖掘是統計分析方法的延伸和發展。統計分析常需要先做假設或判斷,然後利用數據分析技術來驗證假設是否成立。
  • 一元回歸t檢驗與f檢驗_多元回歸模型的r檢驗f檢驗與t檢驗 - CSDN
    這裡面想把這個分析背後的細節講講清楚,也就是後面的數學原理。什麼是一元線性回歸回歸分析(Regression Analysis)是確定兩種或兩種以上變量間相互依賴的定量關係的一種統計分析方法。在回歸分析中,只包括一個自變量和一個因變量,且二者的關係可用一條直線近似表示,這種回歸分析稱為一元線性回歸分析。
  • f檢驗 matlab專題及常見問題 - CSDN
    Mann-Kendall顯著性檢驗工具:1、MATLAB2、DPS3、示例數據(數據採用的是魏鳳英老師《現代氣候統計診斷預測技術》中的1900-1990年上海市的年平均氣溫數據)Mann-Kendall原理可詳細參考https://wenku.baidu.com
  • 多元f檢驗_多元線性回歸方程f檢驗 - CSDN
    【回歸分析】[5]--多元線性回歸對參數的F檢驗  目標:為了檢驗                         (a).多個係數同時為0                         (b).係數相等
  • 回歸分析t檢驗公式_線性回歸t檢驗公式 - CSDN
    【可解釋的方差】     MSM( Mean of Squares for Model)  = SSR /DFM第五:線性回歸和方差分析1、方差分析中的分析變量實際上就是線性回歸中的因變量,方差分析中的分組變量就是線性回歸中的自變量。
  • 回歸方程的顯著性檢驗 - CSDN
    採用的假設如下:原假設     H0 : β1 = 0   (x 與 y 不存在線性關係)對立假設  H1 : β1 ≠ 0  回歸係數的顯著性檢驗就是要檢驗自變量 x 對因變量 y 的影響程度是否顯著。下面我們分析接受和拒絕原假設的意義。
  • 回歸係數顯著性t檢驗 - CSDN
    回歸方程的顯著性檢驗  t 檢驗(回歸係數的檢驗)  F 檢驗(回歸方程的檢驗)  相關係數的顯著性檢驗  樣本決定係數  三種檢驗的關係  2.F 檢驗(方差分析)  F檢驗用於檢驗回歸方程的顯著性。
  • f檢驗的p值大於 - CSDN
    在交叉表的獨立性檢驗和同質性檢驗中,自由度為(r-1)×(c-1)。3、問:t檢驗和方差分析有何區別答:t檢驗適用於兩個變量均數間的差異檢驗,多於兩個變量間的均數比較要用方差分析。用於比較均值的t檢驗可以分成三類,第一類是針對單組設計定量資料的;第二類是針對配對設計定量資料的;第三類則是針對成組設計定量資料的。
  • f檢驗求p值 - CSDN
    在交叉表的獨立性檢驗和同質性檢驗中,自由度為(r-1)×(c-1)。3、問:t檢驗和方差分析有何區別答:t檢驗適用於兩個變量均數間的差異檢驗,多於兩個變量間的均數比較要用方差分析。用於比較均值的t檢驗可以分成三類,第一類是針對單組設計定量資料的;第二類是針對配對設計定量資料的;第三類則是針對成組設計定量資料的。
  • kappa一致性檢驗教程 - CSDN
    一、基礎知識在數據分析或臨床工作中,我們會經常遇到檢驗一致性的問題,如判斷不同模型或者診斷方法在預測結果上是否具有一致性,如模型預測的結果與實際結果是否具有一致性,又如兩名或多名醫生對同一病人的診斷結論是否一致
  • t檢驗 機器學習_機器學習 t 檢驗 - CSDN
    特徵X和目標Y在不同數值類型的組合下,應該採用不同的假設檢驗手段去做特徵相關性分析。下圖羅列了特徵X和目標Y在各種數值類型組合時最適合的假設檢驗方法。3大抽樣分布分類 : 卡方檢驗, 方差分析, 互信息回歸 : 相關係數卡方檢驗及應用思想:
  • 檢驗回歸係數的顯著性excel_excel相關係數顯著性檢驗 - CSDN
    Excel數據分析工具庫是個很強大的工具,可以滿足基本的統計分析,這裡介紹用Excel數據分析工具庫中的回歸做回歸分析。本文僅作為學習筆記之用,歡迎各位交流指正。
  • R語言 小wald檢驗_lm檢驗 wald檢驗 - CSDN
    經常看到rcs()函數,比如擬合回歸時:f <- cph(S ~ rcs(age,4) + sex, x=T, y=T)。關於RCS的理解,可以參考:Restricted cubic splines另外,丁香園裡有人給出這樣的看法:rcs全稱是restricted cubic spline 即限制立方樣條函數。
  • 回歸分析spss步驟 - CSDN
    我們的教程中曾詳細講述了SPSS線性回歸分析,儘管線性回歸可以滿足絕大多數的數據分析,但是在現實情況中,並不能適用於所有的數據,當因變量和自變量之間的關係我們無法確定是否為線性或者其他非線性類型的模型關係時候,那麼我們就需要用到曲線回歸,來確定因變量和自變量之間到底最適合什麼樣的模型。
  • excel做回歸分析 - CSDN
    線性回歸的步驟不論是一元還是多元相同,步驟如下:1、散點圖判斷變量關係(簡單線性);2、求相關係數及線性驗證;3、求回歸係數,建立回歸方程;4、回歸方程檢驗;5、參數的區間估計;6、預測;一元線性回歸操作和解釋摘要一元線性回歸可以說是數據分析中非常簡單的一個知識點
  • 回歸模型擬合優度檢驗 - CSDN
    對於二元結果,邏輯回歸是最流行的建模方法。在這篇文章中,我們將看一下 Hosmer-Lemeshow邏輯回歸的擬合優度檢驗。 Hosmer-Lemeshow擬合優度檢驗Hosmer-Lemeshow擬合優度檢驗是基於根據預測的概率或風險將樣本分開。具體而言,基於估計的參數值,對於樣本中的每個觀察,基於每個觀察的協變量值計算概率。
  • t檢驗回歸方程專題及常見問題 - CSDN
    回歸方程的顯著性檢驗  t 檢驗(回歸係數的檢驗)  F 檢驗(回歸方程的檢驗)  相關係數的顯著性檢驗  樣本決定係數  三種檢驗的關係  2.F 檢驗(方差分析)  F檢驗用於檢驗回歸方程的顯著性。