回归分析简答题

1，进行多元线性回归分析时，参数和变量之间的影响关系必须是线性形式吗？在多重线性回归分析中，线性关系在哪些变量之间存在线性关系？答：执行多重线性回归分析时，引数和引数之间的影响关系不一定是线性格式。如果自变量和从属变量是非线性关系，则可以替换特定变量，使其成为线性关系，然后进行回归分析。多元线性回归分析的线性关系表示随机变量之间的关系，因为变量y和回归系数i之间存在线性关系。多重线性回归条件为：(1)每个变量之间没有多重共线性。(2)每个变量独立于残差。(3)残差相互独立，服从正态分布。(4)Y与每个参数x具有线性关系。2、回归分析的基本思路和步骤基本思想：回归分析是在掌握大量观测数据的同时，使用数学统计信息建立变量和参数之间的回归关系函数表达式(称为回归方程)。在回归分析中，如果称为一元回归分析的因果关系只涉及一个原因变量和一个参数：如果研究涉及变量和两个或多个参数的因果关系，则称为多元回归分析。此外，在回归分析中，根据描述参数和变量之间因果关系的函数表达式是线性还是非线性，分为线性回归分析和非线性回归分析。一般来说，线性回归分析是在发生非线性回归问题的情况下，可以使用数学方法处理为线性回归问题的最基本的分析方法。步骤：1)确定回归方程中解析的变量和解析的变量。2)确定回归模型根据函数拟合方法，观察散点图以确定用于描述回归线的数学模型。如果解析的变数与解析变数之间存在线性关系，则必须执行线性回归分析以建立线性回归模型。如果解析的变数与解析变数之间存在非线性关系，则必须执行非线性回归分析，以建立非线性回归模型。3)建立回归方程根据收集的样例数据和上一步骤中确定的回归模型，根据恒定统计拟合标准估计模型的各个参数，获得确定的回归方程。4)对回归方程进行各种测试因为回归方程是基于样本数据构建的，所以需要测试回归方程是否真的反映事物之间的统计关系，回归方程是否可用于预测等。5)使用回归方程进行预测3，多公选问题，坏结果，解决方案多重协方差意味着线性回归模型的参数之间存在精确的相关性或高相关性，因此模型估计很难扭曲或准确地估计。通常，使用p常量C1、C2、Cp(而不是全部0)的c1xi 1 c2xi 2.cpx IP-0，I=1，2，n坏结果：如果模型有完整的多重共线，则数据数组x的排名F0)，如果重要级别，p ，则拒绝H0，反之则接受H0。6、回归系数显著性检验回归方程通过了显著性检查，并不意味着每个自变量Xi对y有显着的影响。回归系数显著性测试的目的是从回归方程中删除对y影响不大的自变量，从而创建更有效的回归方程。如果Xi引数不影响y，则线性模型中的i=0确保Xi的影响与检验假设大相径庭。H0: I=0，h1: I 0对于给定显著性水平，当|ti|t/2(n-p-1)时拒绝H0。相反，应用H0。7、数据中心和标准化目的：使用回归方程解决分析实际问题时出现的许多自变量尺寸不一致问题。资料中心处理的几何意义：相当于将座标原点移动到范例中心，座标系统的转换仅变更截断点，而不变更线的坡度比。通过分析残差，可以在一定程度上回答以下问题。1)回归函数线性假设的可行性；2)误差项目等效方差假设的合理性；3)错误项目独立假设的合理性；4)错误项目是否符合正态分布；5)观测是否有异常；6)模型是否缺少某些重要参数。9，标准化回归方程和非标准回归方程的区别是什么？在什么情况下应该标准化变量？标准化回归方程是参数相关变量都规范化的方程。Spss输出的回归系数中的一列是标准化回归系数，并且全部标准化，因此标准化方程式中没有常数。在数据标准化方面，原始数据减去该变量的平均值，再除以该变量的标准差，得到的回归方程称为标准化回归方程，其回归系数为标准化回归系数。典型情况的回归是不标准化的，直接回归即可。在主成分分析中包括因素分析时，要标准化。10、回归分析和相关分析的差异和联系相关分析和回归分析都是对客观事物数量依赖性的分析，都是一元和多元，线性和非线性，在应用中相互渗透相结合，但仍然存在差异。主要如下。(1)相关分析主要表征两类变量之间的线性相关性，而回归分析可以揭示一个变量与另一个变量的关系，并由回归方程控制和预测(2)因为在相关分析中，变量y位于与x等价的位置，而在回归分析中，变量y位于解释的特殊位置(3)相关分析中涉及的变量y和x完全是随机变量。在回归分析中，变量y是随机变量，参数可以是随机变量，也可以是非随机变量。一般来说，回归分析只能在相关的情况下执行，相关度越高，回归分析的结果就越可靠。11，回归方程的基本假设？(1)回归函数的线性假设(2)误差项的等效方差假设(3)错误项目的独立假设(4)错误项的正态分布假设12、使用回归分析解决问题时，回归变量选择的理论基础是什么？选择回归变量时需要注意的问题是什么？(1)在拟合角度使用修改后的复合相关系数，可以达到最大标准准则1:修改后的复合相关系数Ra2达到了最大值。因为：如果Ra2=1-MSE/(SST/(n-1)查看此关系，则很容易看出Ra2达到最大值时，MSE达到最小值。(2)从预测角度，您可以使用预测平方和来达到最低标准和Cp标准准则2:预测平方和PRESSp达到最小准则3: (CP准则)(3)可以从最大似然估计的角度使用chichi information量化标准(AIC指令)准则4: chichi信息量已最小化选取AIC=nln(SSEp) 2p AIC值最小的回归方程式做为最佳回归方程式收购的选择问题可以看作是应该采用整个模型还是选择模型的问题正确误用整个模型：整个模型的相应参数是部分估计，选定模型的预测也有偏差。选定模型的参数估计和预测残差和平均偏差都具有较小的方差。模型选择正确地误用了整个模型，整个模型参数估计和预测是部分估计，整个模型预测值的方差和平均偏差大于选定模型的相应方差。上述结论表明，该变量影响不大或影响大，但扔掉难以观察的参数是有利的。13、逐步回归方法的基本思路和步骤基本思想：有进步。引入变量的条件是通过偏置f统计测试，同时每次引入新变量时检测已选定方程的旧变量，确认删除认为不太重要的变量的过程，直到不能引入新变量或删除现有变量为止。基本步骤：(1)对于每个自变量Xi(1Im)，拟合m一元线性回归模型，或者对于Fi1(1)FE，选择包含自变量xi1的回归模型作为当前模型。否则，变量不会引入模型，选择过程结束，因此所有参数都被认为对y没有太大影响。(2)根据第一步，将剩下的m-1自变量分别添加到此模型中，以获得m-1二进制回归方程。如果Fi1(2)FE将参数xi2引入模型中，并仔细查看xi2引入模型后xi1对y的影响是否仍然很大，则fi1 (2) FD将删除xi。(3)