sas教程2.1.ppt

解：作y与每个x1-x3散点图并做相应的回归直线图： proc gplot data=examp2_3; plot y*x1 y*x1/overlay; symbol1 v=star c=pink ; symbol2 i=rlcli c=blue ; plot y*x2 y*x2/overlay; symbol1 v=star c=pink ; symbol2 i=rlcli c=blue ; plot y*x3 y*x3/overlay; symbol1 v=star c=pink ; symbol2 i=rlcli c=blue ; run; 解：作y与每个x1-x3散点图并做相应的回归直线图： 解：求回归模型并作假设检验： proc reg data=examp2_3; model y=x1-x3/r cli clm; run; 以下是REG过程给出的直线回归方程是否有统计学意义的检验结果，使用的检验方法为方差分析 Analysis of Variance 回归模型的方差分析 Sum of Mean Source DF Squares Square F Value Pr F 变异来源 自由度 离均差 均方 F值 P值 平方和 Model 3 627.81700 209.27233 68.12 .0001 Error 20 61.44300 3.07215 Corrected Total 23 689.26000 以下是REG过程给出的直线回归方程是否有统计学意义的检验结果，使用的检验方法为方差分析 Parameter Estimates Parameter Standard Variable DF Estimate Error t Value Pr |t Intercept 1 17.84693 2.00188 8.92 .0001 x1 1 1.10313 0.32957 3.35 0.0032 x2 1 0.32152 0.03711 8.66 .0001 x3 1 1.28894 0.29848 4.32 0.0003 回归方程为 Y=17.8469+1.10313X1+0.32152X2+1.28894X3 * 小结 本次课学习了线性回归分析的基本思想，线性回归分析的概念、回归分析的特点、参数估计及其性质；实际应用的SAS的Proc REG 过程过程； 第一章 概述 线性回归分析 * 2.1 线性回归模型及基参数估计 2.2 统计推断与预测 2.3 残差分析 2.4 回归方程的选取 * 2.1 线性回归模型及基参数估计 2.1.1 线性回归模型及其矩阵表示 2.1.2 参数估计及其性质 * 2.1.1 线性回归模型及其矩阵表示 在医学上人的身高与体重、体温与脉搏次数、 年龄与血压、药物剂量与疗效等均有一定的联系。 说明客观事物或现象相互关系的密切程度并用适 当的统计指标表示出来，这是相关分析的任务。 把客观事物或现象间的关系用函数形式表示出 来，则是回归分析所要解决的问题。 回归分析是确定一个连续变量与另一些连续 变量间的关系，用于解释和预测。 * 变量Y与其他有关变量X1,X2,…,Xk的关系不 能确切的知道，变量Y的值由两部分所构成： 一部分由X1,X2,…,Xk确定，可以表示为X1,X2, …, Xk的某个函数关系式： Y = f (X1,X2,…,Xk); 另一部分是众多未加考虑的因素所产生的影响, 被看作是随机误差，记为ε.从而有： Y = f (X1,X2,…,Xk) + ε * 回归过程： Step1