多元线性回归相关 异常与疾病 深入探讨课件.ppt

1、2020年8月9日,1,语句格式 同单变量线性回归基本相同。 proc reg 选项； model 应变量=自变量名列/ 选项；必选语句，定义回归分析模型 proc reg 语句的选项 data=数据集 指明回归分析所用的数据集。 outset=数据集 指定一个输出数据集，用以存储回归分析所得的参数估计 。 simple 输出每个变量的简单统计结果。,2020年8月9日,2,model语句的选项 selection=method 规定变量筛选方法，method可以是以下几种选项： forward（或 f）前进法，按照sle规定的P值从无到有依次选一个变量进入模型 backward（或 b）后退

2、法，按照sls规定的P值从含有全部变量的模型开始，以次剔除一个变量。 stepwise 逐步法，按照sle的标准依次选入变量，同时对模型中现有的变量按sls的标准剔除不显著的变量。 注：选项中没有selection语句时，模型中含有全部自变量的回归模型。 sle=概率值 入选标准，规定变量入选模型的显著性水平，前进法默认为0.5，逐步法默认为0.15。 sls=概率值 剔除标准，指定变量保留在模型的显著性水平，后退法默认为0.1，逐步法默认为0.15。（出入）,2020年8月9日,3,stb 输出各自变量的标准偏回归系数。 cli 输出个体y值的95%容许区间上下限 clm 输出预测值均值 的

3、95%可信区间上下限。 P 输出实际值Yi ，预测值 、残差及其标准误。 tol 输出各自变量的容许值。0tol值1，越接近于0，共线性越严重。 vif 输出各自变量的方差膨胀因子。当vif10时，可认为多元共线性严重存在。,2020年8月9日,4,完全多元线性回归 例7-7 10名女中学生的体重（X1,kg），胸围（X2,cm），胸围的呼吸差（X3,cm）及肺活量（Y,ml）的资料如下表所示。现作应变量Y对自变量X1，X2，X3的三元线性回归方程。,data mreg1; input x1 x2 x3 y ; cards; 35 69 0.7 1600 40 74 2.5 2600 40 6

4、4 2.0 2100 42 74 3.0 2650 37 72 1.1 2400 45 68 1.5 2200,43 78 4.3 2750 37 66 2.0 1600 44 70 3.2 2750 42 65 3.0 2500 ; proc reg; model y=x1 x2 x3/stb; run;,2020年8月9日,5,2020年8月9日,6,2020年8月9日,7,逐步回归 简介 逐步回归是筛选自变量的常用的方法之一。筛选自变量的方法还有前进法，后退法和最优回归子集法。逐步回归法是依据事先给定的两个显著性水平SLE和SLS，将自变量逐个引入方程，同时每引入一个新变量后，对已选入的

5、变量要进行逐个检验，将不显著的变量剔除，这样保证最后所得的变量都有显著性。,2020年8月9日,8,程序,data stepreg1; input x1 x2 x3 y ; cards; 35 69 0.7 1600 40 74 2.5 2600 40 64 2.0 2100 42 74 3.0 2650 37 72 1.1 2400 45 68 1.5 2200 43 78 4.3 2750 37 66 2.0 1600 44 70 3.2 2750 42 65 3.0 2500 ;,proc reg; model y=x1-x3/stb tol vif collin collinoint R; model y=x1-x3/selection=stepwise sle=0.25 sls=0.25 stb; run;,2020年8月9