回归分析实验课 实验8

实验报告八实验课程： 回归分析实验课专业：年级：姓名：学号：得分：

统计学1教师评语：学生收获与思考：2实验八含定性变量的回归模型（4学时）一、实验目的1．掌握含定性变量的回归模型的建模步骤3．运用SAS计算含定性变量的各种回归模型的各参数估计及相关检验统计量二、实验理论与方法把这些品质变量也称为定性变量，在建立回归模型的时候我们需要考虑到这些定性变量。定性变量的回归模型分为自变量含定性变量的回归模型和因变量是定性变量的回归模型。自变量含有定性变量的时候，我们一般引进虚拟变量，将这些定性变量数量化。例如研究粮食0-1DD1=0表示干旱年份，i粮食产量的回归模型为：y=β+βx+βD+εi 0 1i 2i i。因变量是定性变量时，一般用logistic回归模型（分组数据的logistic回归模型，未分组数据logistilogisti回归模型，probi三.实验内容DATASASxt10321xt103对公司规模和公司类型的回归，并对所得到的模型进行解释。2h对玻璃做自由落体撞击，y=1y=022的logistic回归，并解释回归方程的含义。323.其中的Logisitic回归分析影响毕业去向的因素。四．实验仪器计算机和SAS软件五.实验步骤和结果分析SASxt10321xt103公司规模和公司类型的回归，并对所得到的模型进行解释。3RR0.8951，可以认为回归拟合效果较好。回归方程通过F的。由参数估计表，可以看出，全部变量都是显著的，回归方程为：^33.870.102x1

8.06x2其中，x2是虚拟变量，当公司类型为“互助”时，x2为0，为“股份”时，x2为1。由方程可知，x2为1，即股份制公司的保险革新措施速度y会更大。股份制公司采取保险革新措施的积极性比互助型公司高，股份制公司建立在共同承担风险上，更愿意革新。规模公司大。SAS程序：dataxt103;inputyx1x2/*01*/cards;1715104269202117503031022104002770122100191200429001623802816411527211129513868131851212241201661133051301241142461;run;procregdata=xt103;modely=x1x2;run;y=1y=022的logistic回归，并解释回归方程的含义。模型信息：5模型解出的是y=0的概率。由三个检验中，统计量的P值都小于0.05，可以认为模型是显著的。由Wald检验的显著性概率及其P值，可以看出，h变量对方程的影响是显著的。由极大似然估计，各个参数系数也通过检验。因此模型有效。6logit

p(y0)

exp(14.597.98h)1exp(14.597.98h)模型意义为，小球掉落高度为h，则玻璃未破碎的概率为p,而y=0表示玻璃未破碎。也就是说，该种新型的玻璃，用小球对其撞击，当小球的掉落高度为h时，玻璃未破碎的概率就是7.98h)p(y0)

1exp(14.597.98h)，那么，玻璃会破碎的概率就为1-p(y=0)，这也可以看成是一种比例，就是大量实验中，同个高度h，玻璃会被击破的比例。SAS程序：datadatawjz;inputhy/*01*/cards;1.5001.5201.5401.5601.5811.6001.6201.6401.6601.6811.7001.7201.7401.7611.7801.8011.8201.8401.8611.8811.9001.9211.9401.9611.9812.001;run;7proclogisticdata=wjz;modely=h;run;proclogisticdata=wjz;classh;modely=h/link=glogitaggregatescale=none;run;23.其中毕业Logisitic回归分析影响毕业去向的因素。2 3 专业课x1 英语x 性别x 月生活费x 毕业去向2 3 两个统计量的P值均大于0.05，说明模型拟合的较好。8BETA=0）P学意义。三个变量中，有两个是不显著的变量，x3,x2,剔除x3:两个统计量的P值均大于0.05，说明模型拟合的较好。9:BETA=0(评分,wald）的结果P0.01统计学意义。三个变量都是显著的。以x4“由模型可以看出：p(y2)

-19.1160.17x1

0.038x2

0.004x)41-19.1160.17x1

0.038x2

0.004x4

)-18.010.012x1

0.122x2

0.0101x)4p(y

-18.010.012x1

0.122x2

0.0101x)41-19.1160.17x1

0.038x2

0.004x4

)-18.010.012x1

0.122x2

0.0101x)410从参数估计表中，与参加工作的同学相比，读研的的同学相比，读研的同学其专业课成绩更好x1的P=0.00，而外语成绩x2的p=0.35）和经济状况x4的P=0.18）没有显著差异Sas程序：datadataa;inputinputx1x2x3x4y;cardscards;9565.0160026362.0085018253.0070026088.0085037265.0175018585.00100039595.00120029292.0195026363.0085017875.0190019078.0050018283.0175028065.0185038375.0060026090.0065037590.0180026383.0170018575.0075027386.0095028666.01150039363.00130027372.0085018660.0195027663.00110019686.0075027175.01100016372.0185026088.0065016795.0150018693.0055016376.0065018686.0075027685.016501118292.08292.0195037360.07360.0080018285.08285.0175027575.07575.0075017263.07263.0165018188.08188.0085039296.09296.019502run;run;procprintprocprint;runrun;proclogisticproclogistic;classclassx3;modelmodely(ref='3')=x1x2x3x4/link=glogit aggregatescale=none;runrun;proclogisticproclogistic;classclassx3;modelmodely(ref='3')=x1x2x4/link=glogit aggregatescale=none;runrun;proclogisticproclogistic;classclassx3;modelmodely(ref='1')=x1x2x4/link=glogit aggregatescale=none;runrun;六．收获与思考七.思考题当自变量是定性变量的时候，我们需要引进虚拟变量进行数量化，当定性变量有n个水平的时候，我们该引进多少的虚拟变量，否则会怎样？不妨试试在sas中试试会出现什么问题。答：当定性变量有n个水平时应该引进n-1个虚拟变量。否则最后一个虚拟变量无法用最小二乘估计计算出来。例：X1-X3为虚拟变量。DataDataa;inputinputx1x2x3xy@@;cardscards;1001.26751001.35771001.40781001.58821001.26751001.35771001.40781001.58820101.71650101.76660101.80680101.85700101.71650101.76660101.80680101.8570120011.22680011.35690011.46700011.4472;procregdata=a;modely=x1-x3x;run;X3没有参数估计结果。因为x1x2x3出现完全共线性，x1x2均为0时即代表了x3为1.表21iyx1公司类型117151互助22692互助321175互助43031互助522104互助60277互助712210互助819120互助94290互助1016238互助1128164股份1215272股份1311295股份143868股份153185股份1621224股份1720166股份1813305股份1930124股份2014246股份表2213序号h（m）y序号h（m）y11.500141.76121.520151.78031.540161.80141.560171.82051.581181.84061.600191.86171.620201.88181.640211.90091.660221.921101.681231.940111.700241.961121.720251.981131.740262.001序号1序号1234567891011121314151617181920212223专业课x1英语x2性别x3月生活费x4956382607285959263789082808360756385738693738665.062.053.088.065.085.095.092.063.075.078.083.065.075.090.090.083.075.086.066.063.072.060.010001001010110011001001y600 2850 1700 2850 3750 11000 31200 2950 2850 1900 1500 1750 2850 3600 2650 3800 2700 1750 2950 21500 31300 2850 1