在线性回归 交叉验证分析中什么是交叉变量或者叫交互项

来源：蜘蛛抓取(WebSpider) 时间：2016-09-02 06:16 标签： 多元回归中的交互作用
虚拟变量交互项回归模型_百度知道在什么情况下回归分析时需要引入交互项_百度知道苹果/安卓/wp
积分 135, 距离下一级还需 10 积分
权限: 自定义头衔
道具: 彩虹炫, 雷达卡, 热点灯, 雷鸣之声, 涂鸦板, 金钱卡, 显身卡下一级可获得
道具: 匿名卡
购买后可立即获得
权限: 隐身
道具: 金钱卡, 雷鸣之声, 彩虹炫, 雷达卡, 涂鸦板, 热点灯
苦逼签到天数: 2 天连续签到: 1 天[LV.1]初来乍到
在模型中采用交互项时，是否需要同时加入交乘的两项呢？
我看到一篇会计研究的《会计信息透明度与资源配置效率》_周中胜.的文章，这里面就是采用类似 Y=a+bX+cXZ+d ，并未出现单独的Z的一项。
但是看到其他的文章说了如果加入相互相就需要控制住其他两项。就是 Y=a+bX+cXZ+dZ+e
到底哪种是对的呢？
我做的实证结果 采用 Y=a+bX+cXZ+dZ+e&&就不显著了，但是去掉交乘项就都是显著的。是怎么回事呢？
谢谢请多多指教
支持楼主：、
购买后，论坛将把您花费的资金全部奖励给楼主，以表示您对TA发好贴的支持
载入中......
zengbigbread 发表于
在模型中采用交互项时，是否需要同时加入交乘的两项呢？
我看到一篇会计研究的《会计信息透明度与资源配置 ...如果z为虚拟变量的话可以不加z
热心帮助其他会员
总评分:&热心指数 + 1&
计量经济学
查下多重共线性
iamwangpeipei 发表于
如果z为虚拟变量的话可以不加z我看的那篇会计研究不是虚拟变量啊。只有ax+bxz 可不可以认为是单边的影响呢？
xuelida 发表于
查下多重共线性有交乘项的普遍存在多重共线性的啊，中心化以后结果还是不理想
论坛好贴推荐
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
如有投资本站或合作意向，请联系（010-）；
邮箱：service@pinggu.org
投诉或不良信息处理：（010-）
京ICP证090565号
京公网安备号
论坛法律顾问：王进律师回归分析_百度百科
回归分析（regression analysis)是确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。运用十分广泛，回归分析按照涉及的变量的多少，分为一元回归和多元回归分析；在线性回归中，按照因变量的多少，可分为分析和多重回归分析；按照和之间的关系类型，可分为分析和分析。如果在回归分析中，只包括一个和一个，且二者的关系可用一条直线近似表示，这种回归分析称为一元线性回归分析。如果回归分析中包括两个或两个以上的自变量，且自变量之间存在线性相关，则称为分析。
回归分析定义
回归分析是应用极其广泛的数据分析方法之一。它基于观测数据建立变量间适当的依赖关系，以分析数据内在规律，并可用于预报、控制等问题。
变量无测量误差
变量服从多元
模型完整（没有包含不该进入的变量、也没有漏掉应该进入的变量）
误差项独立且服从（0，1）正态分布。
现实数据常常不能完全符合上述假定。因此，统计学家研究出许多的来解决线性回归模型假定过程的约束。
研究一个或多个Y1 ，Y2 ，…，Yi与另一些变量X1、X2，…，Xk之间的关系的，又称多重回归分析。通常称Y1，Y2，…，Yi为因变量，X1、X2，…，Xk为自变量。回归分析是一类数学模型，特别当因变量和自变量为线性关系时，它是一种特殊的线性模型。最简单的情形是一个和一个，且它们大体上有线性关系，这叫一元线性回归，即模型为Y=a+bX+ε，这里X是自变量，Y是因变量，ε是，通常假定随机误差的为0，为σ^2（σ^2大于0）σ^2与X的值无关。若进一步假定随机误差遵从，就叫做正态线性模型。一般的情形，它有k个自变量和一个因变量，因变量的值可以分解为两部分：一部分是由于自变量的影响，即表示为自变量的函数，其中函数形式已知，但含一些未知参数；另一部分是由于其他未被考虑的因素和的影响，即随机误差。当函数形式为未知参数的线性函数时，称线性回归分析模型；当函数形式为未知参数的函数时，称为分析模型。当自变量的个数大于1时称为多元回归，当因变量个数大于1时称为多重回归。
回归分析的主要内容为：
①从一组数据出发，确定某些变量之间的定量关系式，即建立数学模型并估计其中的未知参数。估计参数的常用方法是。
②对这些关系式的可信程度进行检验。
③在许多自变量共同影响着一个因变量的关系中，判断哪个（或哪些）自变量的影响是显著的，哪些自变量的影响是不显著的，将影响显著的自变量入模型中，而剔除影响不显著的变量，通常用逐步回归、向前回归和向后回归等方法。
④利用所求的关系式对某一生产过程进行预测或控制。回归分析的应用是非常广泛的，统计软件包使各种回归方法计算十分方便。
在回归分析中，把变量分为两类。一类是因变量，它们通常是实际问题中所关心的一类指标，通常用Y表示；而影响因变量取值的的另一类变量称为自变量，用X来表示。
回归分析研究的主要问题是：
（1）确定Y与X间的定量关系表达式，这种表达式称为回归方程；
（2）对求得的回归方程的可信度进行检验；
（3）判断自变量X对因变量Y有无影响；
（4）利用所求得的回归方程进行预测和控制。
回归分析应用
研究的是现象之间是否相关、相关的方向和密切程度，一般不区别自变量或因变量。而回归分析则要分析现象之间相关的具体形式，确定其因果关系，并用数学模型来表现其具体关系。比如说，从相关分析中我们可以得知“质量”和“用户满意度”变量密切相关，但是这两个变量之间到底是哪个变量受哪个变量的影响，影响程度如何，则需要通过回归分析方法来确定。
一般来说，回归分析是通过规定因变量和自变量来确定变量之间的因果关系，建立回归模型，并根据实测数据来求解模型的各个参数，然后评价回归模型是否能够很好的拟合实测数据；如果能够很好的拟合，则可以根据自变量作进一步预测。
例如，如果要研究质量和用户满意度之间的因果关系，从实践意义上讲，产品质量会影响用户的满意情况，因此设用户满意度为因变量，记为Y；质量为自变量，记为X。根据图8－3的，可以建立下面的线性关系： Y=A+BX+§
式中：A和B为待定参数，A为的截距；B为回归直线的斜率，表示X变化一个单位时，Y的平均变化情况；§为依赖于用户满意度的。
对于经验回归方程： y=0.857+0.836x
回归直线在y轴上的截距为0.857、斜率0.836，即质量每提高一分，用户满意度平均上升0.836分；或者说质量每提高1分对用户满意度的贡献是0.836分。
上面所示的例子是简单的一个自变量的线性回归问题，在数据分析的时候，也可以将此推广到多个自变量的多元回归，具体的回归过程和意义请参考相关的统计学书籍。此外，在SPSS的结果输出里，还可以汇报R2，F检验值和T检验值。R2又称为方程的确定性系数（coefficient of determination），表示方程中变量X对Y的解释程度。R2取值在0到1之间，越接近1，表明方程中X对Y的解释能力越强。通常将R2乘以100%来表示回归方程解释Y变化的百分比。F检验是通过输出的，通过显著性水平（significant level）检验回归方程的线性关系是否显著。一般来说，显著性水平在0.05以上，均有意义。当F检验通过时，意味着方程中至少有一个回归系数是显著的，但是并不一定所有的回归系数都是显著的，这样就需要通过T检验来验证回归系数的显著性。同样地，T检验可以通过显著性水平或查表来确定。在上面所示的例子中，各参数的意义如表8－2所示。
显著性水平
　“质量”解释了89%的“用户满意度”的变化程度
回归方程的线性关系显著
回归方程的系数显著
示例 SIM手机用户满意度与相关变量线性回归分析
我们以SIM手机的用户满意度与相关变量的线性回归分析为例，来进一步说明线性回归的应用。从实践意义讲上，手机的用户满意度应该与产品的质量、价格和形象有关，因此我们以“用户满意度”为因变量，“质量”、“形象”和“价格”为自变量，作线性回归分析。利用SPSS软件的回归分析，得到回归方程如下：
用户满意度=0.008×形象+0.645×质量+0.221×价格
对于SIM手机来说，质量对其用户满意度的贡献比较大，质量每提高1分，用户满意度将提高0.645分；其次是价格，用户对价格的评价每提高1分，其满意度将提高0.221分；而形象对产品用户满意度的贡献相对较小，形象每提高1分，用户满意度仅提高0.008分。
方程各检验指标及含义如下：
显著性水平
　“质量”和“价格”解释了89%的“用户满意度”的变化程度
回归方程的线性关系显著
“形象”变量对回归方程几乎没有贡献
“质量”对回归方程有很大贡献
“价格”对回归方程有很大贡献
从方程的检验指标来看，“形象”对整个回归方程的贡献不大，应予以删除。所以重新做“用户满意度”与“质量”、“价格”的回归方程如下： 满意度=0.645×质量+0.221×价格
用户对价格的评价每提高1分，其满意度将提高0.221分（在本示例中，因为“形象”对方程几乎没有贡献，所以得到的方程与前面的回归方程系数差不多）。
方程各检验指标及含义如下：
显著性水平
　“质量”和“价格”解释了89%的“用户满意度”的变化程度
回归方程的线性关系显著
“质量”对回归方程有很大贡献
“价格”对回归方程有很大贡献
回归分析步骤
回归分析确定变量
明确预测的具体目标，也就确定了。如预测具体目标是下一年度的，那么销售量Y就是因变量。通过市场调查和查阅资料，寻找与预测目标的相关影响因素，即自变量，并从中选出主要的影响因素。
回归分析建立预测模型
依据自变量和因变量的历史统计资料进行计算，在此基础上建立回归分析方程，即回归分析预测模型。
回归分析进行相关分析
回归分析是对具有因果关系的影响因素（自变量）和预测对象（因变量）所进行的分析处理。只有当自变量与因变量确实存在某种关系时，建立的回归方程才有意义。因此，作为自变量的因素与作为因变量的预测对象是否有关，相关程度如何，以及判断这种相关程度的把握性多大，就成为进行回归分析必须要解决的问题。进行，一般要求出相关关系，以的大小来判断自变量和因变量的相关的程度。
回归分析计算预测误差
回归预测模型是否可用于实际预测，取决于对回归预测模型的检验和对预测误差的计算。回归方程只有通过各种检验，且预测误差较小，才能将回归方程作为预测模型进行预测。
回归分析确定预测值
利用回归预测模型计算预测值，并对预测值进行综合分析，确定最后的预测值。
回归分析注意问题
应用回归预测法时应首先确定变量之间是否存在相关关系。如果变量之间不存在相关关系，对这些变量应用回归预测法就会得出错误的结果。
正确应用回归分析预测时应注意：
①用定性分析判断现象之间的依存关系；
②避免回归预测的任意外推；
③应用合适的数据资料；
企业信用信息

我要回帖

更多关于 多元回归中的交互作用 的文章

 

随机推荐