|
你这是要求用逻辑回归的方法分析?应该用样本数量,就是把因变量和自变量确定好了,用最小二乘法估计出系数就行了,然后根据系数的正负大小分析各部分因变量对自变量的影响,工具用SPSS SAS R 都行,你找一本简单的书看看就会了,因为你这模型比较简单的,我看的书就有类似的例题,另外你这得自己实际操作啊,别人怎么告诉你步奏啊,除非直接帮你做,,,
相关原理:
多元线性回归分析
模型的建立与相关原理
多元线性回归模型
1.建立线性回归模型
设Y与变量间有线性关系如下:
上式是一个元线性回归模型,其中有个解释变量,它表明被解释变量的变化可由两个部分解释。第一,由个解释变量X的变化引起的Y的线性变化部分,即。第二,由其他随机因素引起的Y的变化部分,即。都是模型中的未知参数,分别称为回归常数和偏回归系数。称为随机误差,也是一个随机变量,其中。对两边求导。
该式称为多元线性回归方程。估计多元线性回归方程中的未知参数是多元线性回归分析的核心任务之一。由于参数估计的工作是基于样本数据的,由此得到的参数真值的估计值,记为。
2. 普通最小二乘法估计回归参数
类似于一元线性回归,求参数β的估计值,就是求最小二乘函数:
达到最小的值。可以证明的最小二乘估计.从而得到经验回归方程为.
称为残差向量。通常取为的最小二乘估计,可证.
可证的协方差矩阵为:.
相应地,的标准差为,i=0,1,…,p,其中,是对角线上第i个元素。
3. 回归系数的显著性检验
j=0,1,2,…,p.
当成立时,统计量,j=0,1,2,…,p.
其中是对角线上第j个元素,对于给定的显著性水平α,检验的拒绝域为:,j=0,1,2,…,p.
多元线性回归的检验有两种,一种是以上所作的回归系数的显著性检验,粗略地说就是检验某个变量的系数是否为0,;而另一种检验就是回归方程的显著性检验,简单地说就是检验该组数据是否适用于线性方程作回归,下面介绍回归方程的显著性检验。
4. 回归方程的显著性检验
,不全为0
当成立时,统计量
其中为回归平方和,为残差平方和,
,
对于给定的显著性水平α,检验的拒绝域为:
相关系数平方为:,用来衡量Y与变量之间的密切程度,其中为总体离差平方和,满足SST=SSR+SSE.
|