第12章 多元线性回归-整理6
12.1 根据下面的数据用excel进行回归,并对回归结果进行讨论,计算x1=200,x2=7x_1=200,x_2=7x1=200,x2=7时y的预测值。
y | x1x_1x1 | x2x_2x2 |
---|---|---|
12 | 174 | 3 |
18 | 281 | 9 |
31 | 189 | 4 |
28 | 202 | 8 |
52 | 149 | 9 |
47 | 188 | 12 |
38 | 215 | 5 |
22 | 150 | 11 |
36 | 167 | 8 |
17 | 135 | 5 |
解:
回归统计 | |
Multiple R | 0.459234179 |
R Square | 0.210896032 |
Adjusted R Square | -0.014562245 |
标准误差 | 13.34121571 |
观测值 | 10 |
方差分析
df | SS | MS | F | Significance F | |
回归分析 | 2 | 332.9837443 | 166.4918721 | 0.935410466 | 0.436485475 |
残差 | 7 | 1245.916256 | 177.9880365 | ||
总计 | 9 | 1578.9 |
Coefficients | 标准误差 | t Stat | P-value | Lower 95% | Upper 95% | 下限 95.0% | 上限 95.0% | |
Intercept | 25.02870068 | 22.27862726 | 1.123439985 | 0.298297649 | -27.65188163 | 77.70928299 | -27.65188163 | 77.70928299 |
x1 | -0.049714341 | 0.105992426 | -0.469036735 | 0.653300625 | -0.300346602 | 0.200917919 | -0.300346602 | 0.200917919 |
x2 | 1.928169254 | 1.472160474 | 1.309754805 | 0.231623881 | -1.552937105 | 5.409275613 | -1.552937105 | 5.409275613 |
回归方程:
y^=25.02870068−0.049714341x1+1.928169254x2\hat{y}=25.02870068-0.049714341x_1+1.928169254x_2y^=25.02870068−0.049714341x1+1.928169254x2
β^1=−0.049714341\hat{\beta}_1=-0.049714341β^1=−0.049714341表示在x2x_2x2不变的条件下,x1x_1x1每变化1个单位,y平均下降0.049714341个单位;β^2=1.928169254\hat{\beta}_2=1.928169254β^2=1.928169254表示在x1x_1x1不变的条件下,x2x_2x2每变化1个单位,y平均增加1.928169254个单位。
当x1x_1x1=200,x2=7x_2=7x2=7时,y的预测值为:y^=25.02870068−0.049714341×200+1.928169254×7=28.58\hat{y}=25.02870068-0.049714341\times200+1.928169254\times7=28.58y^=25.02870068−0.049714341×200+1.928169254×7=28.58
12.2 一家电器销售公司的管理人员认为,月销售收入是广告费用的函数,并想通过广告费用对月销售收入作出估计。下面是近8个月的月销售收入与广告费用数据:
月销售收入y(万元) | 电视广告费用x1x_1x1(万元) | 报纸广告费用x2x_2x2(万元) |
---|---|---|
96 | 5.0 | 1.5 |
90 | 2.0 | 2.0 |
95 | 4.0 | 1.5 |
92 | 2.5 | 2.5 |
95 | 3.0 | 3.3 |
94 | 3.5 | 2.3 |
94 | 2.5 | 4.2 |
94 | 3.0 | 2.5 |
要求:
(1)用电视广告费用作自变量,月销售收入作因变量,建立估计的回归方程
(2)用电视广告费用和报纸广告费用作自变量,月销售收入作因变量,建立估计的回归方程。
(3)上述(1)和(2)所建立的估计的回归方程中,电视广告费用的系数是否相同?对其回归系数分别进行解释。
(4)在根据问题(2)所建立的估计的回归方程中,月销售收入的总变差中被估计的回归方程所解释的比例是多少?
(5)针对根据问题(2)所建立的估计的回归方程,检验回归系数是否显著〈α=0.05)。
解:
1)y^=88.63768+1.60386x1\hat{y}=88.63768+1.60386x_1y^=88.63768+1.60386x1
2)
回归统计 | |
Multiple R | 0.958663444 |
R Square | 0.9190356 |
Adjusted R Square | 0.88664984 |
标准误差 | 0.642587303 |
观测值 | 8 |
方差分析
df | SS | MS | F | Significance F | |
回归分析 | 2 | 23.43540779 | 11.7177039 | 28.37776839 | 0.001865242 |
残差 | 5 | 2.064592208 | 0.412918442 | ||
总计 | 7 | 25.5 |
Coefficients | 标准误差 | t Stat | P-value | Lower 95% | Upper 95% | 下限 95.0% | 上限 95.0% | |
Intercept | 83.23009 | 1.573868952 | 52.88247894 | 4.57175E-08 | 79.18433275 | 87.27585063 | 79.18433275 | 87.27585063 |
电视广告费用x_1x1(万元) | 2.29018 | 0.304064556 | 7.531899313 | 0.000653232 | 1.508560796 | 3.071806446 | 1.508560796 | 3.071806446 |
报纸广告费用x_2x2(万元) | 1.30099 | 0.320701597 | 4.056696662 | 0.009760798 | 0.476599398 | 2.125378798 | 0.476599398 | 2.125378798 |
y^=83.23009+2.29018x1+1.30099x2\hat{y}=83.23009+2.29018x_1+1.30099x_2y^=83.23009+2.29018x1+1.30099x2
3)不相同,在1)中,β^1=1.60386\hat{\beta}_1=1.60386β^1=1.60386表示电视广告费用每增加1万元,月销售收入平均增加1.60386万元;在2)中表示,在报纸广告费用不变的情况下,电视广告费用每增加1万元,月销售收入平均增加2.29018万元。
4)R2=91.90%,Ra2=88.66%R^2=91.90\%,R_a^2=88.66\%R2=91.90%,Ra2=88.66%,月销售收入的总变差中被估计的回归方程所解释的比例是88.66%88.66\%88.66%
5)β1{\beta}_1β1的P-value=0.000653232,β2{\beta}_2β2的P-value=0.009760798,均小于0.05,两个回归系数均显著。
12.3 某农场通过试验取得早稻收获量与春季降雨量和春季温度的数据如下:
收获量y(kg/hm2)y(kg/ hm^2)y(kg/hm2) | 降雨量x1(mm)x_1 (mm)x1(mm) | 温度x2(℃)x_2(℃)x2(℃) |
---|---|---|
2250 | 25 | 6 |
3450 | 33 | 8 |
4 500 | 45 | 10 |
6 750 | 105 | 13 |
7 200 | 110 | 14 |
7500 | 115 | 16 |
8 250 | 120 | 17 |
要求:
(1) 确定早稻收获量对春季降雨量和春季温度的二元线性回归方程。
(2) 解释回归系数的实际意义。
(3) 根据你的判断,模型中是否存在多重共线性?
解:
1)y^=−0.5910+22.3865x1+327.6717x2\hat{y}=-0.5910+22.3865x_1+327.6717x_2y^=−0.5910+22.3865x1+327.6717x2
2)回归系数β^1\hat{β}_1β^1=22.3865表示,降雨量每增加1mm,小麦收获量平均增加22.3865(kg/hm2)22.3865(kg/ hm^2)22.3865(kg/hm2);回归系数β^2\hat{β}_2β^2=327.6717表示,温度每增加1℃,小麦收获量平均增加327.6717(kg/hm2)327.6717(kg/ hm^2)327.6717(kg/hm2)。
(3) 从降雨量和温度与收获量的关系看,两个变量与收获量之间都存在较强的关系,而且温度与降雨量之间也存在较强的关系,因此,模型中可能存在多重共线性。
12.4 一家房地产评估公司想对某城市的房地产销售价格(y)与地产估价(x1x_1x1)、房产估价(x2x_2x2)和使用面积(x3x_3x3)建立一个模型,以便对销售价格作出合理预测。为此,它收集了20栋住宅的房地产评估数据。
房地产编号 | 销售价格y(元/平方米) | 地产估价x1x_1x1(万元) | 房产估价 | x2x_2x2(万元)使用面积x3x_3x3(平方米) |
---|---|---|---|---|
1 | 6890 | 596 | 4497 | 18730 |
2 | 4850 | 900 | 2780 | 9 280 |
3 | 5550 | 950 | 3144 | 11 260 |
4 | 6 200 | 1000 | 3959 | 12650 |
5 | 11 650 | 1 800 | 7283 | 22140 |
6 | 4 500 | 850 | 2732 | 9120 |
7 | 3 800 | 800 | 2986 | 8 990 |
8 | 8300 | 2300 | 4775 | 18030 |
9 | 5 900 | 810 | 3912 | 12040 |
10 | 4 750 | 900 | 2935 | 17250 |
11 | 4 050 | 730 | 4012 | 10 800 |
12 | 4 000 | 800 | 3168 | 15 290 |
13 | 9 700 | 2000 | 5851 | 24 550 |
14 | 4 550 | 800 | 2345 | 11 510 |
15 | 4 090 | 800 | 2089 | 11 730 |
16 | 8 000 | 1050 | 5625 | 19 600 |
17 | 5 600 | 400 | 2086 | 13440 |
18 | 3 700 | 450 | 2261 | 9 880 |
19 | 5 000 | 340 | 3595 | 10 760 |
20 | 2240 | 150 | 578 | 9620 |
用Excel进行回归,并回答下面的问题:
(1)写出估计的多元回归方程。
(2)销售价格的总变差中被估计的回归方程所解释的比例是多少?
(3)检验回归方程的线性关系是否显著(α=0.05)。
(4)检验各回归系数是否显著(α=0.05)。
解:
回归统计
Multiple R | 0.947362461 |
R Square | 0.897495632 |
Adjusted R Square | 0.878276063 |
标准误差 | 791.6823283 |
观测值 | 20 |
方差分析
df | SS | MS | F | Significance F | |
回归分析 | 3 | 87803505.46 | 29267835.15 | 46.69696966 | 3.87913E-08 |
残差 | 16 | 10028174.54 | 626760.909 | ||
总计 | 19 | 97831680 |
Coefficients | 标准误差 | t Stat | P-value | Lower 95% | Upper 95% | 下限 95.0% | 上限 95.0% | |
Intercept | 148.700454 | 574.421324 | 0.25887001 | 0.799036421 | -1069.018355 | 1366.419263 | -1069.018355 | 1366.419263 |
地产估价 | 0.814738183 | 0.511988507 | 1.591321236 | 0.13109905 | -0.270628965 | 1.900105332 | -0.270628965 | 1.900105332 |
房产估价 | 0.820979542 | 0.211176502 | 3.887646272 | 0.001307361 | 0.373305355 | 1.268653728 | 0.373305355 | 1.268653728 |
使用面积 | 0.135041012 | 0.065863312 | 2.050322204 | 0.057088037 | -0.004582973 | 0.274664997 | -0.004582973 | 0.274664997 |
1)y^=148.7005+0.8147x1+0.8210x2+0.1350x3\hat{y}=148.7005+0.8147x_1+0.8210x_2+0.1350x_3y^=148.7005+0.8147x1+0.8210x2+0.1350x3
2)R2=89.75%,Ra2=87.83%R^2=89.75\%,R_a^2=87.83\%R2=89.75%,Ra2=87.83%
3)Significance F=3.88E-08<0.05 显著
4)β1的P−value=0.1311>α,不显著;\beta_1的P-value=0.1311>\alpha,不显著;β1的P−value=0.1311>α,不显著;
β2的P−value=0.0013<α,显著\beta_2的P-value=0.0013<\alpha,显著β2的P−value=0.0013<α,显著;
β3的P−value=0.0571>α,不显著\beta_3的P-value=0.0571>\alpha,不显著β3的P−value=0.0571>α,不显著
12.5 下面是随机抽取的15家大型商场销售的同类产品的有关数据:
单位:元
企业编号 | 销售价格y | 购进价格x1x_1x1 | 销售费用x2x_2x2 |
---|---|---|---|
1 | 1238 | 966 | 223 |
2 | 1 266 | 894 | 257 |
3 | 1 200 | 440 | 387 |
4 | 1193 | 664 | 310 |
5 | 1106 | 791 | 339 |
6 | 1 303 | 852 | 283 |
7 | 1313 | 804 | 302 |
8 | 1144 | 905 | 214 |
9 | 1286 | 771 | 304 |
10 | 1084 | 511 | 326 |
11 | 1120 | 505 | 339 |
12 | 1 156 | 851 | 235 |
13 | 1 083 | 659 | 276 |
14 | 1 263 | 490 | 390 |
15 | 1246 | 696 | 316 |
要求:
(1)计算y与x1、y与x2x_1、y与x_2x1、y与x2之间的相关系数,是否有证据表明销售价格与购进价格、销售价格与销售费用之间存在线性关系?
(2)根据上述结果,你认为用购进价格和销售费用来预测销售价格是否有效?
(3)用 Excel进行回归,并检验模型的线性关系是否显著(α=0.05)。
(4)解释判定系数R2R^2R2,所得的结论与(2)是否一致?
(5)计算x1与x2x_1与x_2x1与x2之间的相关系数,所得结果意味着什么?
(6)模型中是否存在多重共线性?你对模型有何建议?
解:1)ryx1=0.3090;ryx2=0.0012r_{yx_1}=0.3090;r_{yx_2}=0.0012ryx1=0.3090;ryx2=0.0012
t1=∣r∣n−21−r2=1.1712t_1=|r|\sqrt{\frac{n-2}{1-r^2}}=1.1712t1=∣r∣1−r2n−2=1.1712
t2=∣r∣n−21−r2=0.0044t_2=|r|\sqrt{\frac{n-2}{1-r^2}}=0.0044t2=∣r∣1−r2n−2=0.0044
tα/2(n−2)=2.1604t_{\alpha/2}(n-2)=2.1604tα/2(n−2)=2.1604
t1<tα/2(n−2),t2<tα/2(n−2)t_1<t_{\alpha/2}(n-2),t_2<t_{\alpha/2}(n-2)t1<tα/2(n−2),t2<tα/2(n−2)
所以没有证据表明销售价格与购进价格、销售价格与销售费用之间存在线性关系
2)无效
3)
回归统计 | |
Multiple R | 0.59368371 |
R Square | 0.352460348 |
Adjusted R Square | 0.244537073 |
标准误差 | 69.75121229 |
观测值 | 15 |
方差分析 | |||||
df | SS | MS | F | Significance F | |
回归分析 | 2 | 31778.15394 | 15889.07697 | 3.26584184 | 0.073722186 |
残差 | 12 | 58382.77939 | 4865.231616 | ||
总计 | 14 | 90160.93333 |
Coefficients | 标准误差 | t Stat | P-value | Lower 95% | Upper 95% | 下限 95.0% | 上限 95.0% | |
Intercept | 375.6018288 | 339.410562 | 1.10662976 | 0.290145025 | -363.9102582 | 1115.113916 | -363.9102582 | 1115.113916 |
购进价格x_1x1 | 0.537840951 | 0.21044674 | 2.55571054 | 0.02519961 | 0.079316894 | 0.996365008 | 0.079316894 | 0.996365008 |
销售费用x_2x2 | 1.457193542 | 0.667706586 | 2.182386056 | 0.049681066 | 0.002385867 | 2.912001217 | 0.002385867 | 2.912001217 |
Significance F=0.0737>0.05,不显著
4)R2=35.25%,Ra2=24.45%R^2=35.25\%,R_a^2=24.45\%R2=35.25%,Ra2=24.45%,一致
5)rx1x2=−0.8529r_{x_1x_2}=-0.8529rx1x2=−0.8529,x1x2x_1x_2x1x2之间高度负相关
6)因为x1x2x_1x_2x1x2之间高度负相关,可能存在多重共线性。可剔除一个变量建立模型再验证。
第12章 多元线性回归-整理6相关推荐
- 【统计学笔记】第12章 多元线性回归
书籍:<统计学(第六版)> 书籍作者:贾俊平 索引
- 【计量经济学及Stata应用】第 5 章 多元线性回归
目录 5.1 二元线性回归 5.2 多元线性回归模型 5.3 OLS估计量的推导 5.4 OLS的几何解释 5.5 拟合优度 5.6 古典线性回归模型的假定 5.7 OLS的小样本性质 5.8 对单个 ...
- 第十二章 多元线性回归
1 多元线性回归模型 1 多元回归模型与回归方程 多元回归模型: y=β 0 +β 1 x 1 +β 2 x 2 +...+β k x k +ε y=\beta_0+\beta_1x_1+\beta_ ...
- 统计学——一元线性回归与多元线性回归
统计学(第6版) 贾俊平 读书笔记 第11章 一元线性回归 11.1 变量间关系的度量 变量之间的关系可分为两种类型,即函数关系和相关关系.其中,函数关系是一一确定的关系,给定一个自变量x,因变量y依 ...
- 多元线性回归——《应用回归分析R语言版》
#第3章-多元线性回归data3.1<-read.table('clipboard',header=T)#导入数据 lm3.1<-lm(y~x1+x2+x3+x4+x5+x6+x7+x8+ ...
- 基于Python多元线性回归、机器学习、深度学习在近红外光谱分析中的实践应用
[专家]:郁 磊 副教授,主要从事MATLAB 编程.机器学习与数据挖掘.数据可视化和软件开发.人工智能近红外光谱分析.生物医学系统建模与仿真,具有丰富的实战应用经验,主编<MATLAB智能算法 ...
- 应用预测建模第六章-线性回归-预测化合物溶解度练习-R语言(多元线性回归,稳健回归,偏最小二乘回归,岭回归,lasso回归,弹性网)
模型:多元线性回归,稳健回归,偏最小二乘回归,岭回归,lasso回归,弹性网 语言:R语言 参考书:应用预测建模 Applied Predictive Modeling (2013) by Max K ...
- 应用预测建模第六章线性回归习题6.1【主成分分析,模型的最优参数选择与模型对比 ,多元线性回归,稳健回归,偏最小二乘回归,岭回归,lasso回归,弹性网】
模型:多元线性回归,稳健回归,偏最小二乘回归,岭回归,lasso回归,弹性网 语言:R语言 参考书:应用预测建模 Applied Predictive Modeling (2013) by Max K ...
- 【信息系统项目管理师】第12章-项目采购管理 知识点详细整理
个人资料,仅供学习使用 教程:信息系统项目管理师(第3版) 修改时间--2021年10月5日 00:46:49 参考资料: 信息系统项目管理师(第3版) 题目书(2021下半年)--马军 本文包括: ...
最新文章
- Java控制语句——for循环
- python怎么装饰_如何理解python装饰器
- 如何 添加 implementation_如何用序列分类方式进行法律要素与当事人关联性分析 | 机器之心...
- 邮件服务器fixpost服务(1)
- 杭电2031进制转换
- linux调用php项目,在Centos/Linux系统下使用Phalcon开发PHP项目
- 法斗几个月长鼻筋_路医生说丨脚底板早起一下地特别疼?得了足底筋膜炎,该怎么办?...
- 脚本同步mysql数据_windows下数据库文件使用脚本同步到linux下的mysql数据库中
- java.lang.NoClassDefFoundError: org/apache/log4j/Priority的问题解决
- 高通手机调试烧录—QFIL工具
- 炉石传说---奇迹德/凯子德玩法攻略
- Android 梯形进度条、下载进度条;
- springcloud gateway + nacos 遇到503错误
- 怎么写出计算机SCI论文
- kafka连接mysql数据库,Kafka-connect-jdbc-source连接mysql数据库实战
- x41t下使用工行华虹u盾
- datagrid全选
- C3D复现出现的问题及其解决方法
- Multisim基础 DIP开关 添加元件的位置
- 第二章 存储,2.2 AliCloudDB--双11商家后台数据库的基石(作者:玄惭)
热门文章
- Froyo(Android2.2)移植到Mips平台经验总结
- [.NET基础]走进各种位运算
- 出走的门徒之五—云知声 黄伟:AI热终会冷,要跑的比任何风口快
- 旅游网站如何根据游客决策过程去做营销?
- 计算机组成原理小游戏,计算机组成原理cla是什么
- 解决Excel2007不能清除剪贴板的方法
- New Empirical Traceability Analysis of CryptoNote-Style Blockchains
- 《Android源码设计模式解析与实战》读书笔记(十四)
- c语言blackjack设计思路,写一个“BlackJack ”Java应用程序 该计划将测试你的逻辑思维。...
- Comet实现的新选择