逐步回归法是向前选择变量法和向后删除变量法的一种结合。所以逐步回归法采用边进边退的方法，对于模型外部的变量，只要它还可以提供显的解释信息，就可以再次进入模型。对于已经在内部的变量，只要它的 检验不能通过，则还可以从模型中被删除。它具体做法是将自变量一个一个引入，当引入一个自变量后，对已选入的自变量要进行逐个检验，当原引入的自变量由于后面自变量的引入而变得不再显著时，要将其剔除。引入一个自变量或从回归方程中剔除一个自变量，为逐步回归的一步，每一步都要进行校验，以确保每次引入新的自变量之前回归方程中只包含显著的自变量。这个过程反复进行，直到既无显著的自变量选入回归方程，也无不显著自变量从回归方程中剔除为止。
1.3 多元线性回归方程的显著性校验
在实际问题研究中，无法事先判定因变量同多个自变量之间是否具有线性的关系。因此在求出多元线性回归方程后要对该方程的显著性进行检验，主要包含： 检验、 检验、样本决定系数的验证及共线性诊断。
1.3.1 F检验
 检验的目的是检验因变量 是否与自变量存在线性关系。为此提出零假设 ,如果 被接受，表明y与自变量之间的关系由线性回归模型表示不合适。为了建立进行检验的统计量，使用平方和分解公式： = + ，其中为总平方和，记为 ，自由度为 ；为回归平方和，记为 ，自由度为 ；为残差平方和，记为 ，自由度为 。
在回归方程中，回归平方和越大回归效果越好，因此构造统计量：
零假设 成立时， 统计量服从自由度为（ ，）的分布。给定显著性水平 ，则否定域为 。发表论文。当 ，则否定，表明因变量 可以用自变量的线性模型来拟合。
1.3.2 t校验
在多元线性回归中，回归方程显著并不意味着每个自变量对因变量的影响都显著，需要对每个自变量进行 校验。校验是针对每一个自变量 ，检验它的总体参数 是否显著为零。如果为零，说明自变量对y无显著的解释能力，可以考虑从模型中删除。构造t统计量：
2/5 首页 上一页 1 2 3 4 5 下一页 尾页 |
