第7章SAS回归分析.pptVIP

第七章 回归分析 一元线性回归 多元线性回归 曲线回归 非线性回归 Logistic回归 一、一元线性回归 1、基本模型 一、一元线性回归 1、基本模型 一、一元线性回归 2、模型的检验 一、一元线性回归 2、模型的检验 一、一元线性回归 3、利用回归方程进行预测 一、一元线性回归 4、REG过程 REG过程是SAS系统中提供的用于一般线性回归的过程，通过此过程可以实现一元回归分析，包括模型的建立和检验等。REG过程中有很多的语句和选项，其中用于一元回归的基本语句格式为： PROC REG DATA=数据集名 选项; MODEL 因变量名=自变量名 /选项; PLOT 纵轴变量名*横轴变量名 =符号 /选项; BY 分组变量名; RUN; 其中，PROC语句和MODEL语句是必须的，其他语句可以根据用户需要进行选用。 一、一元线性回归 4、REG过程 语句说明： （1）PROC语句规定开始运行REG过程并指定要分析的数据集名。 （2）MODEL语句用于规定回归模型中的因变量和自变量。MODEL语句中常用的选项有： CLB——规定计算参数估计值的置信区间。 CLI——规定计算预测值的置信区间。 CLM——规定计算因变量估计值（期望值）的置信区间。 P——规定计算预测值。 ALPHA=值——规定显著性水平。 （3）PLOT语句用于对两个变量绘制散点图，前一个变量为纵轴变量，后一个变量为横轴变量。符号选项用来指定散点图中表示点的符号。 二、多元线性回归 1、基本模型 二、多元线性回归 2、模型的检验 二、多元线性回归 2、模型的检验 二、多元线性回归 2、模型的检验 二、多元线性回归 3、逐步回归 在实际问题中，影响因变量的因素可能很多，其中有些因素的影响显著，而有些因素的作用可以忽略，如何从大量的因素中挑出对因变量有显著影响的自变量来，这就涉及到变量的选择问题。 逐步回归是在建立模型的过程中对变量进行逐个筛选的回归方法，其基本思想是：在建立回归模型时，逐个引入自变量，每次引入的变量都经过检验对因变量的影响是显著的，同时对已有的变量也进行检验，将不显著的变量剔除。这样最后得到的回归方程中，所有变量都是显著的。 二、多元线性回归 3、逐步回归 二、多元线性回归 3、逐步回归 二、多元线性回归 4、回归诊断 回归诊断的主要任务是检验回归假设是否成立，回归模型的形式是否恰当，如何识别数据中的异常点等。回归诊断的基本方法包括残差分析和共线性诊断。 以残差为纵坐标、因变量的预测值为横坐标绘制散点图，称为残差图。表现在残差图中，数据点应该对称地紧密分布在横轴附近，如果表现为其他异常的类型，则模型或数据存在各种异常的情况。 共线性是指在建立的回归模型中出现几个自变量高度相关的情况。自变量间的这种线性关系会掩盖检验的显著性，造成模型的不稳定，并可能引起估计值的较大误差。共线性诊断就是要找出那些变量间存在共线性关系，然后采取相应的方法来消除这些影响。判断共线性的常用指标有方差膨胀因子、条件指数和方差比例等。 二、多元线性回归 5、REG过程 REG过程具有强大的功能，可以实现多元回归分析，包括模型建立、模型检验、逐步回归和回归诊断等。REG过程的语句格式为： PROC REG DATA=数据集名 选项; MODEL 因变量名=自变量名列表 /选项; PLOT 纵轴变量名*横轴变量名 =符号 /选项; RUN; 其中，PROC语句和MODEL语句是必须的，其他语句可以根据用户需要进行选用。 二、多元线性回归 5、REG过程 语句说明： （1）PROC语句规定开始运行REG过程并指定要分析的数据集名。 （2）MODEL语句用于规定回归模型中的因变量和所有要考虑的自变量。 选项： SELECTION=选项——规定逐步回归中所采用的变量筛选方法 COLLIN——规定进行共线性分析 VIF——规定计算方差膨胀因子 （3）PLOT语句用于对两个变量绘制散点图。除了自变量和因变量外，PLOT语句还可以对一些重要统计量进行绘图以进行更深入的分析和回归诊断。当使用这些统计量作为绘图变量时，注意应该在表示统计量的关键字后加一个圆点。 二、多元线性回归 6、GLM过程 GLM过程用来分析符合一般线性模型（General Linear Modeling）的数据，利用该过程也可以实现一元线性回归和