文档介绍：第二章 (1 )拟合线性回归模型: 程序: data examp2_3; input x y; cards ; ; run ; proc reg data =examp2_3; model y=x/ i; run ;(2 )方差分析输出结果及分析: 方差的估计值为 MSE= ,线性回归关系显著性检验 H0 : B1=B2=B3=0 — H1 : B1B2B3 至少有一个不为零统计量观测值 F0= (F 越大越显著), 检验的 p值 p0= (大于一般给定的显著性水平,故不显著) R-Square = (复相关系数,越大越显著) 因此以上信息均表明 Y与X 之间的线性回归关系十分不显著。(3) 参数估计的相关结果以及分析可以直接得到回归方程: Y=+ 由最后一列的 p 值可知 X对Y 的影响并不显著即当 x 增加一个单位, Y 只会增加个单位。(4 )输出血生化残差结果及分析: 最后一列中全部分布在( -1,1 )内,所以得知学生化残差分布在个区间内的概率与 N(0,1) 相差很大,因此拒绝模型服从正态分布的假设。(5 )残差的正态 QQ 图: (6 )残差图分析: 的残差图说明了回归方程可能是非线性的,需要引进自变量的二次项。(7) 拟合回归模型 Y =x^2+5 残差图: ( 8BOX-COX 变换,求参数?) 在?=0 ( *E-16 )时, SSE 达到最小,因此取?=0 。变换之后因变量的值为下图最后一列变换之后的正态 QQ 图和残差图: 变换之后的线性回归模型方程为: Y= 说明 BOX-COX 变换不适用任何情况。程序代码: data exercise2_6; input x1-x2 y; cards ; 70 65 63 72 81 83 66 75 80 75 79 76 76 69 75 74 85 86 71 64 78 80 74 72 77 81 82 80 80 80 87 ; run ; proc reg data =exercise2_6; model y=x1-x2; output out =a p =predict r =resid student =student; run ; proc capability graphics noprint data =a; qqplot student/ normal ; run ; goptions reset = all ; /* 将图形的设置恢复为默认状态*/ proc gplot data =a; plot resid*predict; symbol v =dot i= none ; proc sort data =a; /* 此处至 quit 是计算学生化残差对应的标准正态分布的分位数*/ by student; proc iml ; use a; read all var {student} into rr; do i= 1 to 31 ; qi=probit((i- )/ ); q=q//qi; end ; rq=rr||q; create correl var {r q}; append from rq; quit ; proc corr data =correl; /* 计算学生化残差与对应的标准正态分布的