Cvičení 11.: Mnohonásobná lineární regrese
Příklad: U 19 vzorků potravinářské pšenice byl zjišťován obsah zinku v zrnu (proměnná Y),
v kořenech (proměnná X1), v otrubách (X2) a ve stonku a listech (X3).
Y X1 X2 X3
175 164 198 162
169 160 198 159
175 158 211 164
181 162 211 162
539 520 567 523
526 502 540 491
344 339 355 334
475 460 500 446
820 683 813 695
841 731 832 714
828 710 846 697
775 716 818 709
622 543 635 563
661 577 712 580
579 505 596 531
936 790 946 814
903 806 946 834
927 793 912 824
889 820 919 807
a) Normalitu proměnných Y, Xl, X2, X3 posuďte pomocí Lilieforsova testu s hladinou
významnosti 0,05.
b) Závislost mezi dvojicemi proměnných (Y,X1), (Y,X2), (Y,X3) znázorněte
dvourozměrnými tečkovými diagramy.
c) Vypočtěte výběrovou korelační matici všech čtyř proměnných a pro α = 0,05 otestujte
významnost jednotlivých korelačních koeficientů.
d) Vypočtěte výběrové parciální korelační koeficienty ( )321 X,X.X,Yr , ( )312 X,X.X,Yr , ( )213 X,X.X,Yr a
porovnejte je s výběrovými párovými korelačními koeficienty 1YXr , 2YXr , 3YXr . Na hladině
významnosti a = 0,05 testujte hypotézy o nevýznamnosti parciálních korelačních koeficientu
( )321 X,X.X,Yρ , ( )312 X,X.X,Yρ , ( )213 X,X.X,Yρ .
e) V první fázi zpracování předpokládejte, že je vhodný regresní model Y = β0+ β1x1 + β 2x2
+ β3x3 + ε. Vypočtěte index determinace a interpretujte ho. Proveďte celkový F-test.
Odhadněte parametry regresního modelu. Proveďte dílčí t-testy pro regresní koeficienty.
Zjistěte odhad rozptylu. (Hladinu významnosti volte α = 0,05.)
f) Posuďte pomocí beta koeficientů vliv jednotlivých nezávisle proměnných veličin na
regresní model.
g) Z regresního modelu odstraňte ty proměnné, jejichž regresní koeficienty se neprokázaly
významné pro α = 0,05. Sestavte nový regresní model a proveďte v něm tytéž úkoly jako
v bodě e).
h) Normalitu reziduí v tomto novém regresním modelu posuďte Lilieforsovým testem na
hladině významnosti α = 0,05.
i) V novém regresním modelu najděte 95% interval spolehlivosti pro teoretickou regresní
funkci a 95% predikční interval.
j) Proveďte regresi metodou STEPWISE, a to jak Forward, tak Backward.
Řešení: Načteme datový soubor zinek.sta.
ad a) Výsledky Lilieforsova testu normality
proměnná testová statistika p-hodnota
Y 0,15792 > 0,2
X1 0,15613 > 0,2
X2 0,18177 < 0,1
X3 0,16420 < 0,2
Na hladině významnosti 0,05 nelze ani v jednom případě zamítnout hypotézu o normalitě.
ad b)
Dvourozměrné tečkové diagramy dvojic (Y,X1), (Y,X2), (Y,X3) svědčí o existenci dosti silné
přímé lineární závislosti.
100 200 300 400 500 600 700 800 900
X1
100
200
300
400
500
600
700
800
900
1000
Y
100 200 300 400 500 600 700 800 900 1000
X2
100
200
300
400
500
600
700
800
900
1000
Y
100 200 300 400 500 600 700 800 900
X3
100
200
300
400
500
600
700
800
900
1000
Y
ad c) Výběrová korelační matice proměnných Y, X1, X2, X3 spolu s odpovídajícími p-
hodnotami:
Proměnná Y X1 X2 X3
Y
X1
X2
X3
1,0000 ,9947 ,9981 ,9959
p= --- p=,000 p=0,00 p=0,00
,9947 1,0000 ,9954 ,9980
p=,000 p= --- p=,000 p=0,00
,9981 ,9954 1,0000 ,9962
p=0,00 p=,000 p= --- p=0,00
,9959 ,9980 ,9962 1,0000
p=0,00 p=0,00 p=0,00 p= ---
Na hladině významnosti 0,05 zamítáme hypotézu o nevýznamnosti jednotlivých korelačních
koeficientů.
ad d)
Výběrový koeficient parciální korelace ( )321 X,X.X,Yr
Proměnná Y X1
Y
X1
1,0000 -,0390
p= --- p=,882
-,0390 1,0000
p=,882 p= ---
Výběrový koeficient korelace 1YXr je 0,9947, zatímco ( )321 X,X.X,Yr je -0,039.
Pokud eliminujeme vliv proměnných X2, X3, tak mezi proměnnými Y a X1 existuje velmi
slabá nepřímá lineární závislost, která není na hladině 0,05 významná.
Výběrový koeficient parciální korelace ( )312 X,X.X,Yr
Proměnná Y X2
Y
X2
1,0000 ,7515
p= --- p=,001
,7515 1,0000
p=,001 p= ---
Výběrový koeficient korelace 2YXr je 0,9981, zatímco ( )312 X,X.X,Yr poklesl na 0,7515.
Pokud eliminujeme vliv proměnných X1, X3, tak mezi proměnnými Y a X2 existuje silná
přímá lineární závislost, která je na hladině 0,05 významná.
Výběrový koeficient parciální korelace ( )213 X,X.X,Yr
Proměnná Y X3
Y
X3
1,0000 ,2230
p= --- p=,390
,2230 1,0000
p=,390 p= ---
Výběrový koeficient korelace 3YXr je 0,99589, zatímco ( )213 X,X.X,Yr je pouze 0,223.
Pokud eliminujeme vliv proměnných X1, X2, tak mezi proměnnými Y a X3 existuje slabá
přímá lineární závislost, která není na hladině 0,05 významná.
Vidíme, že existují značné rozdíly mezi párovými a parciálními výběrovými korelačními
koeficienty. Lze tedy soudit na existenci multikolinearity. O tom svědčí i koeficienty VIF:
Statistiky kolineace za daných podmínek (zinek.sta)
Sigma-omezená parametrizace
Efekt
Toler. Rozptyl
Infl fak
R^2 Y
Beta v
Y
Parciál.
Y
Semipar.
Y
t
Y
p
X1
X2
X3
0,003802 262,9861 0,996198 -0,037425 -0,038960 -0,002308 -0,151006 0,881983
0,007214 138,6290 0,992786 0,793836 0,751501 0,067422 4,411716 0,000505
0,003120 320,5035 0,996880 0,242409 0,223005 0,013540 0,886006 0,389598
ad e) Výsledky pro regresní model Y = β0 + β1x1 + β 2x2 + β3x3 + ε
Výsledky regrese se závislou proměnnou : Y (zinek.sta)
R= ,99824679 R2= ,99649665 Upravené R2= ,99579598
F(3,15)=1422,2 p<,00000 Směrod. chyba odhadu : 18,094
N=19
Beta Sm.chyba
beta
B Sm.chyba
B
t(15) Úroveň p
Abs.člen
X1
X2
X3
-28,7607 10,60478 -2,71205 0,016066
-0,037425 0,247835 -0,0439 0,29089 -0,15101 0,881983
0,793836 0,179938 0,8079 0,18312 4,41172 0,000505
0,242409 0,273598 0,2802 0,31623 0,88601 0,389598
Adjustovaný index determinace je 0,9958, tedy zvolený regresní model s proměnnými X1, X2,
X3 vysvětluje variabilitu proměnné Y z 99,58%. Testová statistika pro celkový F-test nabývá
hodnoty 1422,2, odpovídající p-hodnota je velmi blízká 0, tedy model jako celek je významný
na hladině 0,05.
Odhad rozptylu získáme z tabulky analýzy rozptylu:
Efekt
Součet
čtverců
sv Průměr
čtverců
F Úroveň p
Regres.
Rezid.
Celk.
1396846 3 465615,2 1422,205 0,000000
4911 15 327,4
1401757
s2
= 327,4
Odhadnutá regresní funkce má tvar: Y
)
= -28,7607 – 0,0439x1 + 0,8079x2 + 0,2802x3.
Dílčí t-testy pro jednotlivé regresní koeficienty:
testová statistika pro test hypotézy H0: β0 = 0 je -2,71205, p-hodnota je 0,016066, tedy H0
zamítáme na hladině významnosti 0,05;
testová statistika pro test hypotézy H0: β1 = 0 je -0,15101, p-hodnota je 0,881983, tedy H0
nezamítáme na hladině významnosti 0,05;
testová statistika pro test hypotézy H0: β2 = 0 je 4,41172, p-hodnota je 0,000505, tedy H0
zamítáme na hladině významnosti 0,05;
testová statistika pro test hypotézy H0: β3 = 0 je 0,88601, p-hodnota je 0,389598, tedy H0
nezamítáme na hladině významnosti 0,05.
ad f) Interpretace beta koeficientů:
beta1 = -0,037425, beta2 = 0,793836, beta3 = 0,242409. V absolutní hodnotě je největší
beta2, tedy obsah zinku v otrubách má největší vliv na obsah zinku v zrnu.
ad g) Protože dílčí t-testy prokázaly, že na hladině 0,05 nejsou proměnné X1 a X3 významné,
sestavíme nový regresní model Y = β0 + β2x2 + ε.
Výsledky regrese se závislou proměnnou : Y (zinek.sta)
R= ,99807615 R2= ,99615600 Upravené R2= ,99592988
F(1,17)=4405,5 p<0,0000 Směrod. chyba odhadu : 17,803
N=19
Beta Sm.chyba
beta
B Sm.chyba
B
t(17) Úroveň p
Abs.člen
X2
-30,2507 10,31117 -2,93378 0,009274
0,998076 0,015037 1,0157 0,01530 66,37372 0,000000
Adjustovaný index determinace je 0,9959, tedy zvolený regresní model s proměnnou X2
vysvětluje variabilitu proměnné Y z 99,59%. Testová statistika pro celkový F-test nabývá
hodnoty 4405,5, odpovídající p-hodnota je velmi blízká 0, tedy model jako celek je významný
na hladině 0,05.
Vidíme, že Y
)
= -30,2507 + 1,0157x2.
Dílčí t-testy pro jednotlivé regresní koeficienty:
testová statistika pro test hypotézy H0: β0 = 0 je -2,93378, p-hodnota je 0,009274, tedy H0
zamítáme na hladině významnosti 0,05;
testová statistika pro test hypotézy H0: β2 = 0 je 66,37372, p-hodnota je 0,000000, tedy H0
zamítáme na hladině významnosti 0,05.
ad h) Ověření normality reziduí
Abychom mohli analyzovat rezidua, musíme je uložit. Ve výstupní tabulce zvolíme
Rezidua/předpoklady/předpovědi – Reziduální analýza – Uložit – Uložit rezidua& předpovědi
- OK.
Testová statistika pro Lilieforsův test nabývá hodnoty 0,1163, odpovídající p-hodnota je větší
než 0,20, tedy hypotézu o normalitě reziduí nezamítáme na hladině významnosti 0,05.
Pro úplnost ještě posoudíme vzhled N-P plotu:
-40 -30 -20 -10 0 10 20 30 40
Pozorovaná hodnota
-2,0
-1,5
-1,0
-0,5
0,0
0,5
1,0
1,5
2,0Očekávanánormálníhodnota
N-P plot svědčí o tom, že rozložení reziduí se příliš neliší od normálního rozložení.
ad i) Intervaly spolehlivosti pro regresní funkci a pro predikci získáme pomocí
dvourozměrných tečkových diagramů, kde v Detailech vybereme lineární proložení a zvolíme
regresní pásy.
95% interval spolehlivosti pro regresní funkci
100 200 300 400 500 600 700 800 900 1000
X2
100
200
300
400
500
600
700
800
900
1000
Y
95% interval spolehlivosti pro predikci
100 200 300 400 500 600 700 800 900 1000
X2
100
200
300
400
500
600
700
800
900
1000
Y
ad j) Nejprve aplikujeme metodu Forward:
Statistiky – Vícerozměrná regrese – Proměnné – Závisle proměnná Y, Nezávisle proměnné
X1, X2, X3 – OK – Detailní nastavení – zaškrtneme Další možnosti – OK – Metoda –
zvolíme Kroková dopředná – na záložce Metoda zvolíme Zobrazit výsledky Po každém kroku
– OK (V kroku 0 nejsou v regresní rovnici žádné proměnné.) Klikneme na Další – Výpočet:Výsledky
regrese.
Výsledky regrese se závislou proměnnou : Y (zinek.sta)
R= ,99807615 R2= ,99615600 Upravené R2= ,99592988
F(1,17)=4405,5 p<0,0000 Směrod. chyba odhadu : 17,803
N=19
b* Sm.chyba
z b*
b Sm.chyba
z b
t(17) p-hodn.
Abs.člen
X2
-30,2507 10,31117 -2,93378 0,009274
0,998076 0,015037 1,0157 0,01530 66,37372 0,000000
V prvním kroku byla vybrána proměnná X2. Opět klikneme na Další a dostaneme výsledky
kroku 2, který je již konečný:
Výsledky regrese se závislou proměnnou : Y (zinek.sta)
R= ,99824412 R2= ,99649132 Upravené R2= ,99605274
F(2,16)=2272,1 p<0,0000 Směrod. chyba odhadu : 17,533
N=19
b* Sm.chyba
z b*
b Sm.chyba
z b
t(16) p-hodn.
Abs.člen
X2
X3
-28,9426 10,20929 -2,83493 0,011948
0,788109 0,170440 0,8020 0,17345 4,62396 0,000282
0,210764 0,170440 0,2436 0,19700 1,23659 0,234086
Empirická regresní funkce má tvar Y
)
= -28,9426 + 0,802x2 + 0,2436x3.
Model jako celek je významný na hladině 0,05, avšak nezávisle proměnná X3 významná není.
Přispívá však k vysvětlení variability hodnot závisle proměnné veličiny Y. Adjustovaný index
determinace je 0,9961. V modelu s nezávisle proměnnou X2 byl 0,9959 a v modelu se všemi
třemi nezávisle proměnnými byl 0,9958.
Normalitu reziduí prozkoumáme pomocí N-P grafu a S-W testu:
Normální p-graf z Rezidua
Tabulka52 1v*19c
Rezidua : SW-W = 0,9547; p = 0,4725
-40 -30 -20 -10 0 10 20 30 40
Pozorovaný kvantil
-2,0
-1,5
-1,0
-0,5
0,0
0,5
1,0
1,5
2,0
Oček.normál.hodnoty
Rezidua neporušují předpoklad normality.
Nyní provedeme metodu Backward:
Statistiky – Vícerozměrná regrese – Proměnné – Závisle proměnná Y, Nezávisle proměnné
X1, X2, X3 – OK – Detailní nastavení – zaškrtneme Další možnosti – OK – Metoda –
zvolíme Kroková zpětná – na záložce Metoda zvolíme Zobrazit výsledky Po každém kroku –
OK – Výpočet:Výsledky regrese.
Výsledky regrese se závislou proměnnou : Y (zinek.sta)
R= ,99824679 R2= ,99649665 Upravené R2= ,99579598
F(3,15)=1422,2 p<,00000 Směrod. chyba odhadu : 18,094
N=19
b* Sm.chyba
z b*
b Sm.chyba
z b
t(15) p-hodn.
Abs.člen
X1
X2
X3
-28,7607 10,60478 -2,71205 0,016066
-0,037425 0,247835 -0,0439 0,29089 -0,15101 0,881983
0,793836 0,179938 0,8079 0,18312 4,41172 0,000505
0,242409 0,273598 0,2802 0,31623 0,88601 0,389598
V prvním kroku byly zařazeny všechny proměnné.
Klikneme na Další – Výpočet: Výsledky regrese.
Výsledky regrese se závislou proměnnou : Y (zinek.sta)
R= ,99824412 R2= ,99649132 Upravené R2= ,99605274
F(2,16)=2272,1 p<0,0000 Směrod. chyba odhadu : 17,533
N=19
b* Sm.chyba
z b*
b Sm.chyba
z b
t(16) p-hodn.
Abs.člen
X2
X3
-28,9426 10,20929 -2,83493 0,011948
0,788109 0,170440 0,8020 0,17345 4,62396 0,000282
0,210764 0,170440 0,2436 0,19700 1,23659 0,234086
V tomto kroku byla vyloučena proměnná X1.
Opět klikneme na Další – Výpočet: Výsledky regrese a dostaneme konečnou tabulku:
Výsledky regrese se závislou proměnnou : Y (zinek.sta)
R= ,99807615 R2= ,99615600 Upravené R2= ,99592988
F(1,17)=4405,5 p<0,0000 Směrod. chyba odhadu : 17,803
N=19
b* Sm.chyba
z b*
b Sm.chyba
z b
t(17) p-hodn.
Abs.člen
X2
-30,2507 10,31117 -2,93378 0,009274
0,998076 0,015037 1,0157 0,01530 66,37372 0,000000
Vidíme, že metoda STEPWISE, Backward poskytla stejné výsledky jako metoda ENTER.
Příklad k samostatnému řešení:
Byla změřena výška 20 osmnáctiletých chlapců (proměnná Y) a dále byly zjištěny výšky
jejich příbuzných ve věku 18 let: X1 … výška matky, X2 … výška otce, X3 … výška babičky
z matčiny strany, X4 … výška dědečka z otcovy strany, X5 … výška babičky z otcovy strany,
X6 … výška dědečka z otcovy strany, X7 … výška chlapce při narození.
Data jsou uložena v souboru vysky_pribuznych.sta.
Nejprve proveďte korelační analýzu: vypočtěte koeficienty korelace proměnné Y se všemi
nezávisle proměnnými.
Korelace (vysky_pribuznych.sta)
Označ. korelace jsou významné na hlad. p < ,05000
N=20 (Celé případy vynechány u ChD)
Proměnná x1 x2 x3 x4 x5 x6 x7
y 0,395117 0,791297 -0,211974 -0,260861 0,193163 -0,230270 0,264300
Dále vypočtěte parciální korelační koeficienty proměnné Y s proměnnou X1 při vyloučení
vlivu X3 a X4 a s proměnnou X2 při vyloučení vlivu X5 a X6.
Parciální korelace (vysky_pribuznych.sta)
S vyloučením vlivu:x3 a x4
Označ. korelace jsou významné na hlad. p < ,05000
N=20 (Celé případy vynechány u ChD)
Proměnná y x1
y
x1
1,0000 ,3600
p= --- p=,142
,3600 1,0000
p=,142 p= ---
Parciální korelace (vysky_pribuznych)
S vyloučením vlivu:x5 a x6
Označ. korelace jsou významné na hlad. p < ,05000
N=20 (Celé případy vynechány u ChD)
Proměnná y x2
y
x2
1,000000 0,763265
0,763265 1,000000
Pomocí koeficientů VIF prověřte, zda v modelu, který vysvětluje proměnnou Y pomocí
proměnných X1 až X7, mezi nezávisle proměnnými veličinami existuje multikolinearita.
Statistiky kolineace za daných podmínek (vysky_pribuznych.sta)
Sigma-omezená parametrizace
Efekt
Toler. Rozptyl
Infl fak
R^2 y
Beta v
y
Parciál.
y
Semipar.
y
t
y
p
"x1"
"x2"
"x3"
"x4"
"x5"
"x6"
"x7"
0,6093157 1,6411853 0,3906843 0,4091246 0,7398021 0,3193573 3,8089422 0,0024890
0,6095369 1,6405897 0,3904631 0,8272421 0,9120212 0,6458515 7,7030062 0,0000055
0,8091856 1,2358105 0,1908144 -0,0669916 -0,2031556 -0,0602621 -0,7187401 0,4860614
0,8192387 1,2206455 0,1807613 0,0509976 0,1569551 0,0461588 0,5505319 0,5920558
0,6902695 1,4487094 0,3097305 0,0569490 0,1607847 0,0473146 0,5643166 0,5829329
0,6513272 1,5353267 0,3486728 -0,0709651 -0,1934629 -0,0572722 -0,6830803 0,5075302
0,6796494 1,4713469 0,3203506 0,2692289 0,6071912 0,2219546 2,6472305 0,0212876
V uvedeném regresním modelu posuďte pomocí beta koeficientů vliv jednotlivých nezávisle
proměnných na Y. Použijte také Paretův diagram.
N=20
b*
Abs.člen
x1
x2
x3
x4
x5
x6
x7
0,409125
0,827242
-0,066992
0,050998
0,056949
-0,070965
0,269229
Paretův graf standardizovaných koeficientů
Proměnná: y: výška chlapce v 18 letech
Sigma-omezená parametrizace
0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0
Standardizované koeficienty (absolutní hodnota)
"x4"
"x5"
"x3"
"x6"
"x7"
"x1"
"x2"
,0509976
,056949
,0669916
,0709651
,2692289
,4091246
,8272421
Nyní pro výstavbu modelu použijte dopřednou i zpětnou krokovou metodu a jejich výsledky
porovnejte.
Dopředná metoda:
Výsledky regrese se závislou proměnnou : y (vysky_pribuznych.sta)
R= ,95111334 R2= ,90461658 Upravené R2= ,88673219
F(3,16)=50,581 p<,00000 Směrod. chyba odhadu : 2,3719
N=20
b* Sm.chyba
z b*
b Sm.chyba
z b
t(16) p-hodn.
Abs.člen
x2
x1
x7
-199,722 33,79003 -5,91069 0,000022
0,873161 0,078496 1,106 0,09942 11,12369 0,000000
0,364507 0,085585 0,688 0,16156 4,25898 0,000600
0,263581 0,086598 1,373 0,45103 3,04372 0,007740
Zpětná metoda:
Výsledky regrese se závislou proměnnou : y (vysky_pribuznych.sta)
R= ,92162267 R2= ,84938835 Upravené R2= ,83166934
F(2,17)=47,937 p<,00000 Směrod. chyba odhadu : 2,8915
N=20
b* Sm.chyba
z b*
b Sm.chyba
z b
t(17) p-hodn.
Abs.člen
x1
x2
-156,313 37,34335 -4,18582 0,000620
0,474630 0,094553 0,896 0,17849 5,01972 0,000105
0,836417 0,094553 1,059 0,11976 8,84599 0,000000
Mezi těmito dvěma modely rozhodněte na základě reziduální analýzy a adjustovaného indexu
determinace.