stata回归结果详解课件

stata回归结果详解付畅俭湘潭大学商学院noyx1x2x3x4120.91.14.83.27.82.71.612.5167.3111.31736.819.87.77.216.52.210.727.11.79.12.111.2612.715.68.90.65.95516171019151.990.973.714.563.22.23480.8199.716.2567107.4185.496.117181014112314263415220.243.855.964.342.776.722.8117.1146.729.942.125.313.464.3163.944.567.939.797.189101112131415161718192021222324252.60.3472.864.2132.258.60.83.510.23174.6263.579.30.20.4114.873.511424.76.811.61.61.27.23.2139.4368.295.77.216.83.810.315.812283210141610109.6196.2102.2数据来源于贾俊平《统计学》(第7版)，第12章多元线性回归1.方差分析第二列SS对应的是误差平方和，或称变差。1.第一行为回归平方和或回归变差SSR，表示因变量的预测值对其平均值的总偏差。2.第二行为剩余平方和（也称残差平方和或剩余变差）SSE，是因变量对其预测值的总偏差，这个数值越大，拟合效果越差，y的标准误差即由SSE给出。3.第三行为总平方和或总变差SST，表示因变量对其平均值的总偏差。4.容易验证249.37+63.28=312.65第三列df是自由度（degreeoffreedom），第一行是回归自由度dfr，等于变量数目，即dfr=m；第二行为残差自由度dfe，等于样本数目减去变量数目再减1，即有dfe=n-m-1；第三行为总自由度dft，等于样本数目减1，即有dft=n-1。对于本例，m=4，n=10，因此，dfr=4，dfe=n-m-1=20，dft=n-1=24。第四列MS是均方差，误差平方和除以相应的自由度1.第一行为回归均方差MSR2.第二行为剩余均方差MSE，数值越小拟合效果越好F，用于性关系的判定。合P性关系的著性行判断，即弃真概率。所“弃真概率”即模型假的概率，1-P便是模型"真的概率，P越小越好。于本例，P=0.0000<0.0001，故置信度达到99.99%以上。2.模型著性R-Squared判定系数(determinationcoefficient)，或称合度

(goodnessoffit)，它是相关系数的平方，也是SSR/SST，y的偏差中自量解的分。Adjusted的是校正的判定系数Root

MSE差standard

error），数越小，合的效越好P置信区回系数回系数差TT=Coef./Std.Err.P用于明回系数的著性，般P<0.1(*)表示10%著水平著，

P<0.05(**)表示5%著水平著，

P<0.01(***)表示1%著水平著置信区CI）0.0145294-invttail(20,0.025)*0.0830332=0.0145294-2.086*0.0830332=-0.15867480.0145294+2.086*0.0830332=0.18773353.回系数4.系数准差算当自量只有两个，

R

j量的相关系数(pwcorrx2x1)的平方2就是两个对多元回归“排除其它变量影响”的解释简单回归和多元回归估计值的比较.03789471=

.0289094+

.1678986

*

.0535163tw(functiont=tden(20,x),range(-33)),xline(0.172.086)5.系数置信区ttail(df,t)=p算P双P加倍就行了如：

ttail(20,0.17498)*2=0.863invttail(df,p)=t算在双95%置信度，5%著水平界t0=invttail(20,0.025)=2.0860.17t2.086t00.0145294-invttail(20,0.025)*0.0830332=0.0145294-2.086*0.0830332=-0.15867480.0145294+2.086*0.0830332=0.1877335Stata中查临界值和p值normalden(z)normal(z)invnormal(p)tden(df,t)t(df,t)invt(df,p)ttail(df,t)invttail(df,p)chi2den(df,x)chi2(df,x)invchi2(df,p)chi2tail(df,x)Fden(df1,df2,x)F(df1,df2,x)Ftail(df1,df2,x)invchi2tail(df,p)invF(df1,df2,p)invFtail(df1,df2,p)Ftail(2,702,3.96)=0.0195=1-F(2,702,3.96)6.回归结果的评价•

(1)通过模型F检验说明线性关系是否成立。•

(2)回归系数符号是否与理论或预期相一致。•

(3)通过系数t检验说明y与x关系统计显著性。•

(4)用判定系数说明回归模型在多大程度上解释了因变量y取值的差异。•

(5)画残差直方图或正态概率图考察误差项的正态性假定是否成立。7.多重共线性判断•

出现下列情况，暗示存在多重共线性:•

(1)模型中各对自变量之间显著相关(相关系数检验)。•

(2)当模型的线性关系F检验显著时，几乎所有回归系数的t检验都不显著。•

(3)回归系数的正负号与预期的相反。•

(4)容忍度(tolerance)

与方差扩大因子(varianceinflationfactor,VIF)

。某个自变量的容忍度等于1减去该自变量对其他k-1个自变量的线性回归的判定系数，

容忍度越小，多重共线性越严重。方差扩大因子等于容忍度的倒数，VIF越大，多重共线性越严重，

一般认为容忍度小于0.1、VIF大于10时，存在严重的多重共线性。X3的VIF=3.83=1/(1-0.7392)=1/(0.2608)=1/容忍度•

不存在完全共线性假设，允许自变量之间存在相关关系，只是不能完全相关•

1、一个变量是另一个变量的常数倍，如同时放入不同度量单位的同一变量•

2、同一变量的不同非线性函数可以成为回归元，如consume~income+income•

但ln(consume)~ln(income)+ln(income

线

应为consume)~ln(income)+(lnincome)•

3、一个自变量是两个或多个自变量和线性函数22)共

性，ln(2回归模型中包含无关变量遗漏变量偏误遗漏相关变量偏误采用遗漏相关变量的模型进行估计而带来的偏误称为遗漏相关变量偏误（omittingrelevantvariablebias）。设正确的模型为却对Y=

+

X

+

X

+01

12

2

Y=

+

X

+v01

1进行回归，得将正确模型

Y=

+

X

+

X

+

的离差形式01

12

2代入得(1)如果漏掉的X

与X

相关，则上式中的第二项在小样本下21求期望与大样本下求概率极限都不会为零，从而使得OLS估计量在小样本下有偏，在大样本下非一致。(2)如果X

与X

不相关，则

的估计满足无偏性与一致性；但这时

的估计2110却是有偏的。由

Y=

+

X

+v得01

1由

Y=

+

X

+