回归分析实验课 实验最新版本Word文件下载.docx

回归分析实验课 实验最新版本Word文件下载.docx

《回归分析实验课 实验最新版本Word文件下载.docx》由会员分享，可在线阅读，更多相关《回归分析实验课 实验最新版本Word文件下载.docx（16页珍藏版）》请在冰豆网上搜索。

对数据集xt103,建立y对公司规模和公司类型的回归，并对所得到的模型进行解释。

2．研制一种新型玻璃，对其做耐冲实验。

用一个小球从不同的高度h对玻璃做自由落体撞击，玻璃破碎记为y=1，玻璃未破碎记y=0.数据见表22.是对表中数据建立玻璃耐冲性对高度h的logistic回归，并解释回归方程的含义。

3．某学校对本科毕业生的去向做了一个调查，分析影响毕业去向的相关因素，结果见表23.其中毕业去向“1”=工作，“2”=读研，“3”=出国留学。

性别“1”=男生，“0”=女生。

用多类别的Logisitic回归分析影响毕业去向的因素。

四．实验仪器

计算机和SAS软件

5.实验步骤和结果分析

R检验中R方为0.8951，可以认为回归拟合效果较好。

回归方程通过F检验，说明模型是显著成立的。

由参数估计表，可以看出，全部变量都是显著的，回归方程为：

其中，x2是虚拟变量，当公司类型为“互助”时，x2为0，为“股份”时，x2为1。

由方程可知，x2为1，即股份制公司的保险革新措施速度y会更大。

股份制公司采取保险革新措施的积极性比互助型公司高，股份制公司建立在共同承担风险上，更愿意革新。

公司规模越大，采取保险革新措施的倾向越大：

大规模公司保险制度的更新对公司的影响程度比小规模公司大。

SAS程序：

dataxt103;

inputyx1x2;

/*引入虚拟变量，将公司类型的互助设为0，股份设为1*/

cards;

171510

26920

211750

30310

221040

02770

122100

191200

42900

162380

281641

152721

112951

38681

31851

212241

201661

133051

301241

142461

;

run;

procregdata=xt103;

modely=x1x2;

模型信息：

模型解出的是y=0的概率。

由三个检验中，统计量的P值都小于0.05，可以认为模型是显著的。

由Wald检验的显著性概率及其P值，可以看出，h变量对方程的影响是显著的。

由极大似然估计，各个参数系数也通过检验。

因此模型有效。

二元logit模型为

模型意义为，小球掉落高度为h，则玻璃未破碎的概率为p,而y=0表示玻璃未破碎。

也就是说，该种新型的玻璃，用小球对其撞击，当小球的掉落高度为h时，玻璃未破碎的概率就是

，那么，玻璃会破碎的概率就为1-p（y=0），这也可以看成是一种比例，就是大量实验中，同个高度h，玻璃会被击破的比例。

datawjz;

inputhy;

1.500

1.520

1.540

1.560

1.581

1.600

1.620

1.640

1.660

1.681

1.700

1.720

1.740

1.761

1.780

1.801

1.820

1.840

1.861

1.881

1.900

1.921

1.940

1.961

1.981

2.001

proclogisticdata=wjz;

modely=h;

classh;

modely=h/link=glogitaggregatescale=none;

专业课x1

英语x2

性别x3

月生活费x4

毕业去向y

两个统计量的P值均大于0.05，说明模型拟合的较好。

检验全局零假设:

BETA=0无效假设检验结果（似然比,评分）的结果P值均小于0.01，具有显著统计学意义。

三个变量中，有两个是不显著的变量，x3,x2,剔除x3:

BETA=0无效假设检验结果（似然比,评分,wald）的结果P值均小于0.01，具有显著统计学意义。

三个变量都是显著的。

以x4=“1”，即参加工作，为参照。

由模型可以看出：

从参数估计表中，与参加工作的同学相比，读研的（y=2）的同学相比，读研的同学其专业课成绩更好（x1的P值=0.003），而外语成绩（x2的p值=0.356）和经济状况（x4的P值=0.184）没有显著差异；

出国留学的（y=3）学生其专业课成绩和参加工作的没有显著差异，外语成绩和经济状况则更好。

Sas程序：

dataa;

inputx1x2x3x4y;

9565.016002

6362.008501

8253.007002

6088.008503

7265.017501

8585.0010003

9595.0012002

9292.019502

6363.008501

7875.019001

9078.005001

8283.017502

8065.018503

8375.006002

6090.006503

7590.018002

6383.017001

8575.007502

7386.009502

8666.0115003

9363.0013002

7372.008501

8660.019502

7663.0011001

9686.007502

7175.0110001

6372.018502

6088.006501

6795.015001

8693.005501

6376.006501

8686.007502

7685.016501

8292.019503

7360.008001

8285.017502

7575.007501

7263.016501

8188.008503

9296.019502

procprint;

proclogistic;

classx3;

modely（ref='

3'

）=x1x2x3x4/link=glogitaggregatescale=none;

）=x1x2x4/link=glogitaggregatescale=none;

1'

六．收获与思考

七.思考题

当自变量是定性变量的时候，我们需要引进虚拟变量进行数量化，当定性变量有n个水平的时候，我们该引进多少的虚拟变量，否则会怎样？

不妨试试在sas中试试会出现什么问题。

答：

当定性变量有n个水平时应该引进n-1个虚拟变量。

否则最后一个虚拟变量无法用最小二乘估计计算出来。

例：

X1-X3为虚拟变量。

Dataa;

inputx1x2x3xy@@;

1001.26751001.35771001.40781001.5882

0101.71650101.76660101.80680101.8570

0011.22680011.35690011.46700011.4472

procregdata=a;

modely=x1-x3x;

X3没有参数估计结果。

因为x1x2x3出现完全共线性，x1x2均为0时即代表了x3为1.

表21

i

y

x1

公司类型

1

17

151

互助

2

26

92

3

21

175

4

30

31

5

22

104

6

277

7

12

210

8

19

120

9

290

10

16

238

11

28

164

股份

15

272

13

295

14

38

68

85

224

20

166

18

305

124

246

表22

序号

h（m）

1.50

1.76

1.52

1.78

1.54

1.80

1.56

1.82

1.58

1.84

1.60

1.86

1.62

1.88

1.64

1.90

1.66

1.92

1.68

23

1.94

1.70

24

1.96

1.72

25

1.98

1.74

2.00

表23

95

65.0

600

63

62.0

850

82

53.0

700

60

88.0

72

750

85.0

1000

95.0

1200

92.0

950

63.0

78

75.0

900

90

78.0

500

83.0

80

83

90.0

650

75

800

73

86.0

86

66.0

1500

93

1300

72.0

60.0

76

1100

96

71

27

29

67

93.0

550

76.0

32

33

34

35

36

37

39

81

40

96.0

【本文档内容可以自由复制内容或自由编辑修改内容期待你的好评和关注，我们将会做得更好】