高级心理统计(第2版)课件 第3、4章 多元回归分析、Logistic回归分析_第1页
高级心理统计(第2版)课件 第3、4章 多元回归分析、Logistic回归分析_第2页
高级心理统计(第2版)课件 第3、4章 多元回归分析、Logistic回归分析_第3页
高级心理统计(第2版)课件 第3、4章 多元回归分析、Logistic回归分析_第4页
高级心理统计(第2版)课件 第3、4章 多元回归分析、Logistic回归分析_第5页
已阅读5页,还剩44页未读, 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

新编21世纪心理学系列教材高级心理统计(第2版)第三章多元回归分析核心要点了解多元回归的概念以及可以解决的问题。掌握三种不同类型多元回归的特点和区别,了解自变量的进入顺序对衡量该自变量重要性的影响。掌握检验回归方程整体显著性和比较自变量重要性大小的指标和方法。了解可能对回归分析准确性产生影响的因素。多元回归分析的一般目的和描述多元回归分析主要回答的问题多元回归分析的假设及模型多元回归分析的类型多元回归分析中自变量的重要性多元回归分析中的统计检验多元回归分析中的一些值得注意的问题回归分析的局限性应用案例及SPSS操作提纲多元回归分析的一般目的和描述一元回归分析:只有一个自变量,只能处理两个变量之间的关系多元回归分析:考察多个变量对一个变量的影响1多元回归分析vs多元相关分析多元回归分析主要回答的问题多元回归分析主要回答四大类问题:(1)验证自变量对因变量的影响;(2)检验单个或一组自变量的重要性;(3)建立预测模型;(4)分析自变量之间的交互作用。2多元回归分析主要回答的问题可细化为是个方面:第一,考察因变量和多个自变量之间关系的强度。第二,考察已有自变量的重要性。第三。考察增加自变量的必要性。第四,在统计上预先控制协变量的影响。第五,基于假设的需要定义变量影响顺序。第六,比较多组自变量的重要性。第七,寻找最佳的预测模型。第八,在新样本上预测因变量分数。第九,重新定义自变量以解释非线性关系。第十,同时处理分类自变量和连续自变量对因变量的影响。2多元回归分析的假设及模型33.1使用多元回归分析的前提假设(1)存在两个或两个以上的自变量及一个因变量;(2)因变量服从正态分布;(3)自变量与因变量之间呈线性关系;(4)所有变量的观测必须是彼此独立的。多元回归分析的假设及模型33.2多元回归方程的建立多元回归分析的假设及模型33.3多元回归方程的参数估计最小二乘法根据最佳拟合的原则,最小二乘法要求估计得到的参数满足残差平方和最小求出参数使残差平方和

取得最小值多元回归分析的类型44.1标准多元回归(standardmultipleregression)又称为同时回归(simultaneousregression)所有自变量同时进入回归方程仅度量了每个自变量进入方程后增加的预测因变量的贡献标准多元回归在计算单个自变量的贡献时,该自变量与其它所有自变量共同解释的部分都被排除,仅计算剩余的可解释的部分所有重叠的部分将不计入任何自变量的贡献多元回归分析的类型44.2序列回归(sequentialregression)又称分层回归(hierarchicalregression)自变量将根据研究者指定的顺序进入回归方程由于存在前后顺序,衡量一个(或一组)自变量的贡献时,与其它变量共同解释的部分会归为先进入的变量。多元回归分析的类型44.3统计回归(statisticalregression)完全以统计标准决定进入自变量进入回归方程的顺序,没有考虑变量的意义和理论解释的问题,是一种带有争议的回归类型。一个变量会进入或被排除出方程完全根据该样本下计算出的统计指标,一些细微的差异将会对衡量变量重要性造成较大的影响。多元回归分析的类型44.4三种回归的比较标准回归会剔除所有自变量的重叠部分,可以体现出每个自变量的单独贡献。序列回归可以在某些变量进入方程的前提下探讨另一些变量的贡献。统计回归可以辨别具有多重共线性的变量,将为未来的研究剔除某些明显冗余的变量。多元回归分析中自变量的重要性55.1多元测定系数回归平方和(regressionsumofsquares)总平方和(totalsumofsquares)多元回归分析中自变量的重要性55.2调整的多元测定系数多元回归分析中自变量的重要性55.3偏相关系数偏相关(partialcorrelation)指的是控制其它自变量后Y和X的相关,它等于从Y和X中都除去其它预测变量的影响之后,Y和X中剩余部分的简单相关。将偏相关系数平方后便可以得到偏测定系数(coefficientofpartialdetermination)偏测定系数是在控制其它自变量的条件下,单一自变量对因变量的边际解释力。多元回归分析中自变量的重要性55.4半偏相关系数半偏相关(semi-partialcorrelation)又称部分相关(partcorrelation)多元回归分析中自变量的重要性5多元回归分析中自变量的重要性55.5标准化回归系数因为标准化的Z变量是无量纲的变量,所以此时的回归系数就称为标准化的回归系数(standardizedregressioncoefficient)。多元回归分析中的统计检验66.1回归方程的显著性检验多元回归分析中的统计检验66.2新加入变量的显著性检验

多元回归分析中的统计检验66.3回归系数的显著性检验多元回归分析中的一些值得注意的问题77.1样本量样本量与一系列问题有关,包括要求的检验力,α水平,自变量个数、预期的效应量以及结果的泛化性等。当样本量非常大时,几乎所有回归系数都将显著地不等于0,即使不能很好预测因变量的自变量也是如此。多元回归分析中的一些值得注意的问题77.2异常值模式异常的个案可以对回归系数的估计精度产生巨大影响。单变量检测的常用方式有Z分数和盒式图等双变量下的散点图多变量下的马氏距离等在回归的过程中可以同时检测异常值最为常用的方法是残差分析多元回归分析中的一些值得注意的问题77.3多重共线性如果两个自变量之间的相关系数很高,或者一个自变量可以由其它自变量线性表示,即认为存在多重共线性问题。共线性现象的不良影响(1)回归系数的置信区间变宽,系数变得不稳定,由样本推到总体的泛化性变差;(2)回归系数不能很好地反映单个自变量对因变量的独立影响;(3)使变量的偏测定系数变小;(4)当方程用于预测时,回归结果变得不可靠。多元回归分析中的一些值得注意的问题77.3多重共线性常用的指标及其标准:(1)容忍度(Tolerance)(2)方差膨胀因子(VarianceInflateFactor,VIF)(3)条件指数(ConditionIndex,CI)消除多重共线性影响的补救办法:(1)去掉与y相关程度低、而与其它自变量高度相关的自变量;(2)根据容忍度或VIF删除变量,去掉可以被其余自变量线性表示的变量;(3)增加样本量;(4)采用新的样本数据;(5)合并变量(6)换用其它形式的回归(7)变量转换多元回归分析中的一些值得注意的问题77.4残差分析多元回归分析假设残差具有正态性,线性和方差同质性,同时假设误差具有独立性。残差的正态性假设指的是残差在每个因变量的预测分数下都呈正态分布。线性假设指的是残差与预测分数呈直线关系。方差同质性假设在所有预测分数下残差的方差相同。误差的独立性假设意味着每次观测的结果都不应受其它观测的影响。通常的验证方法是画出残差的散点图,进行残差分析,其中横轴表示因变量的预测值,纵轴表示残差。多元回归分析中的一些值得注意的问题77.5分类自变量的虚拟编码如果研究的自变量是分类变量,并希望将分类自变量纳入回归,则需要对分类变量进行虚拟编码(dummycoding)。假设该自变量有K个类别,则需要构造K-1个新变量。将其中一个类别指定为对照类别,将对照类别在K-1个新变量上全部编码为0,其余K-1个类别依次在K-1个新变量上编码为1。如果将虚无编码中对参考类别的编码换为-1而不是0,形成的编码方式称为效应编码(effectcoding)。另一种常用的编码方式称为对照编码(contrastcoding),对照编码的一个优点在于编码后生成的新变量相互正交。多元回归分析中的一些值得注意的问题77.5分类自变量的虚拟编码回归分析的局限性8回归分析旨在揭示变量之间的关系,但并不能做出因果推断。研究变量的选取同样应该借助理论而不能仅靠统计。回归分析假设自变量的测量没有残差,然而在绝大部分心理学研究中都几乎不存在如此理想的情况。应用案例及SPSS操作99.1标准多元回归案例《高级心理统计》P81-87。9.2序列回归案例《高级心理统计》P87-90。关键术语多元回归分析

标准多元回归序列回归

统计回归偏回归系数

多元测定系数偏相关系数

半偏相关系数多重共线性

残差分析新编21世纪心理学系列教材高级心理统计(第2版)第四章逻辑回归

LogisticRegression核心要点了解logistic回归的基本概念和原理,掌握其适用的基本情境。了解logistic回归方程中的系数的含义与解释。学习logistic回归方程的整体检验和拟合优度的评价标准。掌握SPSS软件展示logistic回归的操作过程和结果解释。提纲1Logistic回归分析概述2主要回答的问题3前提假设与模型4注意的问题5案例和SPSS操作1.Logistic回归分析概述用于处理因变量为离散的二分变量的问题,也可以进一步扩展为多分类Logistic回归。logistic回归分析中并不直接对二分结果变量进行回归分析,而是将其转换到logit尺度下,引入发生比(事件发生的概率/事件不发生的概率)的概念,再对发生比取自然对数(ln)作为因变量,探究自变量的线性组合对转换后的因变量的影响。1.Logistic回归分析概述Logistic回归的优势:对预测变量的分布和类型没有特定假设,预测变量可以是连续变量、分类变量等;尤其适用于自变量对因变量的影响具有收益递减规律或非线性的情况,即当自变量处于取值范围的两端时,其值的变化对因变量的影响较小;当自变量处于取值范围的中间部分时,其值的变化对于因变量的影响较大的情况。2.主要回答的问题能否根据一系列的预测变量来预测个案在结果变量的类别?各预测变量的效果如何?预测变量之间是否存在交互作用?个案的分类结果是否准确?预测变量的效应值多大?3.前提假设与模型一、模型假设连续预测变量与经过logit转换后的结果变量之间存在线性关系;结果变量应为二分变量;预测变量可以是连续变量、离散变量,如果是分类变量,采用虚拟编码;每次观测相互独立、残差均值为0。3.前提假设与模型3.前提假设与模型Logistic曲线我们以0.5作为截点,将事件发生概率大于0.5的结果变量赋值为1(事件发生),否则赋值为0(事件未发生)。3.前提假设与模型3.前提假设与模型5.模型评价负2倍对数似然值(-2LL):反映了假设拟合模型为实际情境时观察到特定样本的概率,其值处于0和1之间。其值越大,表明回归方程的似然值越小,则拟合越差。将截距模型(不包含任何预测变量)与含有预测变量的logistic模型的-2LL进行比较,如果前者显著高于后者,那么可以证明含有预测变量的模型显著改善了模型的拟合情况,即预测变量可以显著改善模型的拟合情况。显著性的检验采用卡方检验。注意样本量的影响。伪测定系数(pseudo-R2):预测准确性:分类表(classificationtable)4.注意事项第一,样本量大小。第二,个案与变量的比例。第三,预测变量的多重共线性。第四,分类结果中的异常值。5.案例及SPSS操作本章的应用案例是模拟生成的,因此其分析结果不能推论到实际之中,我们仅以此为例演示logistic回归分析过程。本案例数据文件参见“4_1logistic.sav”详见《高级心理统计》P98-P103关键术语二分变量分类表发生比对数发生比优势比logistic曲线logit转换logit模型发生比模型logistic回归系数logistic回归系数幂值对数似然函数伪测定系数wald检验内容小结1

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论