多元回归模型分析案例(多元回归模型分析案例stata)

关于多元回归模型分析案例，多元回归模型分析案例stata这个很多人还不知道，今天小然来为大家解答以上的问题，现在让我们一起来看看吧！

多元回归模型分析案例(多元回归模型分析案例stata)

1、回归模型普及性的基础在于用它去预测和解释度量变量。

2、但一般的多元回归不适合解决被解释变量是 非度量变量 的问题。

3、而判别分析适用于被解释变量是非度量变量（属性变量），解释变量是可测量（计算均值和方差，应用于统计函数）的情形。

4、比如对象的所属类别.任务：用SPSS做鸢尾花数据集的判别分析。

5、可见这150个样本都是有效的。

6、没有变量缺失结果：在0.01的显著性水平下，拒绝原假设，即认为每种长度在三组之内是有差异的。

7、上图反映协方差矩阵的秩和行列式的对数值。

8、由行列式值可以看出，协方差矩阵不是病态矩阵。

9、上图可知在0.05显著型水平下拒绝原假设（协方差相等）采用分组时也显著，于是采用分组协方差矩阵的形式。

10、上图反映判别函数的特征根、解释方差的比例和典型相关系数。

11、第一个判别函数解释了99.1%的方差，第二个判别函数解释了0.9%的方差检验认为两个判别函数在0.05的显著性水平下是显著的。

12、y=3这一组的中心为（5.783，0.513）y=2这一组的中心为（1.825，-0.728）y=1这一组的中心为（-7.608，0.215）第一张表概括了分类过程，说明150个观测都参与了分类。

13、第二张表说明各组的先验概率：我们在分类选项中选的时所有组相等。

14、第三张表是每组的分类函数：（区别于判别函数）我们可以计算除每个观测在各组的分类函数值，然后将观测分类到较大的分类函数值中第四张表是分类矩阵表：这里交叉验证采用的是“留一个在外”的原则，每个观测是除了该观测之外的所有观测所得来的。

15、最后为分类结果图：Setosa鸢尾花与Versicolor鸢尾花和Virginica鸢尾花可以很清晰地区分开，而Versicolor鸢尾花和Virginica鸢尾花这两种之间存在重合区域，即存在误判。

16、由前面分析发现，协方差矩阵不等，可以考虑采用分组协方差矩阵。

17、得到分类结果如下：结果发现采用组内协方差矩阵和分组协方差矩阵没有明显的差别，因此可以采用组内协方差矩阵进行判别。

本文到这结束，希望上面文章对大家有所帮助。