下面是某案例Python程序运行结果:OLS Regression Results<====================================>Dep. Variable: y R-squared: 0.992Model: OLS Adj. R-squared: 0.990Method: Least Squares F-statistic: 769.2Date: Wed, 10 May 2023 Prob (F-statistic): 1.40e-26Time: 22:44:55 Log-Likelihood: -224.07No. Observations: 31 AIC: 458.1Df Residuals: 26 BIC: 465.3Df Model: 4Covariance Type: nonrobust<====================================> coef std err t P>|t| [0.025 0.975]------ ------ ------ -------- --------Intercept -1694.6269 562.977 -3.010 0.006 -2851.843 -537.411x1 1.3642 0.086 15.844 0.000 1.187 1.541x2 1.7679 0.201 8.796 0.000 1.355 2.181x3 2.2894 0.349 6.569 0.000 1.573 3.006x5 1.7424 0.191 9.111 0.000 1.349 2.136请回答如下问题:(1) 写出回归方程;(2) 决定系数多少,并进行解释;(3) 做方程整体显著性检验,并进行解释;(4) 做回归系数的显著性检验。
下面是某案例Python程序运行结果:
OLS Regression Results
<====================================>
Dep. Variable: y R-squared: 0.992
Model: OLS Adj. R-squared: 0.990
Method: Least Squares F-statistic: 769.2
Date: Wed, 10 May 2023 Prob (F-statistic): 1.40e-26
Time: 22:44:55 Log-Likelihood: -224.07
No. Observations: 31 AIC: 458.1
Df Residuals: 26 BIC: 465.3
Df Model: 4
Covariance Type: nonrobust
<====================================>
coef std err t P>|t| [0.025 0.975]
------ ------ ------ -------- --------
Intercept -1694.6269 562.977 -3.010 0.006 -2851.843 -537.411
x1 1.3642 0.086 15.844 0.000 1.187 1.541
x2 1.7679 0.201 8.796 0.000 1.355 2.181
x3 2.2894 0.349 6.569 0.000 1.573 3.006
x5 1.7424 0.191 9.111 0.000 1.349 2.136
请回答如下问题:
(1) 写出回归方程;
(2) 决定系数多少,并进行解释;
(3) 做方程整体显著性检验,并进行解释;
(4) 做回归系数的显著性检验。
题目解答
答案
解析
本题主要考查多元线性回归分析的相关知识,包括回归方程的确定、决定系数的理解、方程整体显著性检验以及回归系数的显著性检验。解题思路如下:
- 回归方程的确定:回归方程的一般形式为$\hat{y}=\beta_0+\beta_1x_1+\beta_2x_2+\cdots+\beta_nx_n$,其中$\beta_0$为截距项系数,$\beta_i$为自变量$x_i$的系数。我们可以从输出结果中直接获取这些系数的值,从而写出回归方程。
- 决定系数的解释:决定系数$R^2$衡量了自变量对因变量变异的解释程度,其取值范围在$0$到$1$之间,越接近$1$表示模型的拟合效果越好。我们从输出结果中找到$R^2$的值,并根据其含义进行解释。
- 方程整体显著性检验:方程整体显著性检验使用$F$检验,原假设$H_0:\beta_1=\beta_2=\cdots=\beta_n = 0$,即所有自变量对因变量都没有显著影响。我们从输出结果中获取$F$统计量的值和对应的$P$值,将$P$值与显著性水平$\alpha$(通常取$0.05$)进行比较,若$P<\alpha$,则拒绝原假设,认为模型整体显著。
- 回归系数的显著性检验:回归系数的显著性检验使用$t$检验,原假设$H_0:\beta_i = 0$,即自变量$x_i$对因变量没有显著影响。我们从输出结果中获取每个回归系数对应的$P$值,将$P$值与显著性水平$\alpha$(通常取$0.05$)进行比较,若$P<\alpha$,则拒绝原假设,认为该回归系数显著不为零。
具体计算过程
- 回归方程:
从输出结果中可知,截距项$\beta_0=-1694.6269$,$x_1$的系数$\beta_1 = 1.3642$,$x_2$的系数$\beta_2 = 1.7679$,$x_3$的系数$\beta_3 = 2.2894$,$x_5$的系数$\beta_5 = 1.7424$。
所以回归方程为$\hat{y}=-1694.6269 + 1.3642x_1 + 1.7679x_2 + 2.2894x_3 + 1.7424x_5$。 - 决定系数:
从输出结果中可知,决定系数$R^2 = 0.992$。
这表示自变量$x_1,x_2,x_3,x_5$能解释因变量$y$变异的$99.2\%$,由于$R^2$非常接近$1$,所以模型拟合效果极佳。 - 方程整体显著性检验:
从输出结果中可知,$F$统计量的值为$F - statistic = 769.2$,对应的$P$值为$P(F)=1.40\times10^{-26}$。
给定显著性水平$\alpha = 0.05$,因为$P(F)=1.40\times10^{-26}\ll0.05$,所以在$5\%$显著性水平下,拒绝原假设$H_0$,即模型整体显著,至少有一个自变量对$y$有显著影响。 - 回归系数的显著性检验:
- 对于截距项$Intercept$,其$P$值为$0.006$,因为$0.006<0.05$,所以截距项显著。
- 对于$x_1$,其$P$值为$0.000$,因为$0.000<0.05$,所以$x_1$的回归系数显著。
- 对于$x_2$,其$P$值为$0.000$,因为$0.000<0.05$,所以$x_2$的回归系数显著。
- 对于$x_3$,其$P$值为$0.000$,因为$0.000<0.05$,所以$x_3$的回归系数显著。
- 对于$x_5$,其$P$值为$0.000$,因为$0.000<0.05$,所以$x_5$的回归系数显著。