文档介绍：.本文通过利用spss,eviews,以及matlab等数学软件对已知数据进行处理,首先用箱图进行分析,进而检测出了强影响点,得出杠杆值。其次,从回归残差的直方图与附于图上的正态分布曲线相比较,来验证正态分布。最后,从相关系数观察变量之间是否线性相关,由相关系数矩阵来检验自变量是否多重共线性。关键词:线性回归分析线性相关关系强影响点杠杆值残差分析多重共线性问题重述根据所给的数据作如下的回归分析:要求:,,若有多重共线性,试消除,.,分析,,题目中我们对强影响点,杠杆值,,.自变量的多重共线性检测,残差的自相关性等问题进行了分析,如何寻找各变量之间的关系,建立模型是至关重要的,对此,我们利用spss,eviews,以及matlab等数学软件对已知数据进行处理,寻找各变量之间的关系,建立符合要求的函数模型。。 表示全部样本的预测值表示把第i个样本删掉的预测值表示为P的主对角元,:检测强影响点,,分别为3,12,34。图一:箱图图二由上图可以看出标记为3,12,34的点为强影点,它们的cook’s值为:Cook距离为:上面的矩阵对角线上的数字即为这几个变量的cook’s值。、,图的纵坐标为ExpectedCumulativeProbability(期望累计概率分布),横坐标为ObservedCumulativeProbability(观测累计概率分布)图中的斜线对应着一个均值为0的正态分布。如果图中的散点密切地散布在这条斜线附近,说明随机变量残差服从正态分布,从而证明样本确实是来自于正态总体。如果偏离这条直线太远,应该怀疑随机变量的正态性。由上述散点图可知,40个散点大致散布于斜线附近,因此可以认为残差分布基本上是正态的。图四从回归残差的直方图与附于图上的正态分布曲线相比较,可知道服从正态分布分布不是明显地服从正态分布。问题三..相关性检验.,,,由上面六个P-P图可得X1,X2,X3,X4,X5,,若有多重共线性,试消除,再建模.(1)检测自变量之间存在多重共线性\图五由图五中的相关系数矩阵可以看出,各变量相互之间的相关系数较高,证明确实存在多重共线性。(2)消除多重共线性 采用逐步回归的办法,去检验和解决多重共线性问题。分别做Y对的一元回归,结果如图六所示:图六图七 图八表中显示逐步回归过程所建立的模型中剔除掉的变量后各种变量之间的具体数值。 新加入X7后各参数的t检验显著,选择保留,再加入其他新变量逐步回归,,y=+*X1+*X2+*X3+*X4-*X5+*X6为回归线性方程,当时,的预测值为ans=:我们建立的模型总体来说还是比价合理的,但由于数据量不是很大,当我们进行相关性,正态性分析,消除自变量时导致效果不是很好,从而导致用该模型求预测时误差大,预测的精度不是很高。:【1】姜启源谢金星叶俊,数学模型,北京:高等教育出版社2003【2】马岚李雯,数值分析,北京:电子工业出版社2003【3】邬学军,周凯,宋军全,数学建模竞赛辅导教程,杭州:浙江大学出版社,2009