逐步回归分析实例

逐步回归分析在自变量很多时，其中有的因素可能对应变量的影响不是很大，而且x之间可能不完全相互独立的，可能有种种互作关系。在这种情况下可用逐步回归分析，进行x因子的筛选，这样建立的多元回归模型预测效果会

逐步回归分析 x 在自变量很多时，其中有的因素可能对应变量的影响不是很大，而且之间可能不完 x 全相互独立的，可能有种种互作关系。在这种情况下可用逐步回归分析，进行因子的筛 选，这样建立的多元回归模型预测效果会更较好。 yx 逐步回归分析，首先要建立因变量与自变量之间的总回归方程，再对总的方程及 每—个自变量进行假设检验。当总的方程不显著时，表明该多元回归方程线性关系不成立； y 而当某—个自变量对影响不显著时，应该把它剔除，重新建立不包含该因子的多元回归 方程。筛选出有显著影响的因子作为自变量，并建立“最优”回归方程。 回归方程包含的自变量越多，回归平方和越大，剩余的平方和越小，剩余均方也随之 较小，预测值的误差也愈小，模拟的效果愈好。但是方程中的变量过多，预报工作量就会 越大，其中有些相关性不显著的预报因子会影响预测的效果。因此在多元回归模型中，选择 适宜的变量数目尤为重要。 逐步回归在病虫预报中的应用实例: 以陕西省长武地区1984~1995年的烟蚜传毒病情资料、相关虫情和气象资料为例（数 据见），建立蚜传病毒病情指数的逐步回归模型，说明逐步回归分析的具体步骤。 DATA6.xls 影响蚜传病毒病情指数的虫情因子和气象因子一共有21个，通过逐步回归，从中选出对病 情指数影响显著的因子，从而建立相应的模型。对1984~1995年的病情指数进行回检，然后 对1996~1998年的病情进行预报，再检验预报的效果。 变量说明如下： x11 ：5月份均温 y ：历年病情指数 x12 ：5月份降水量 x1 ：前年冬季油菜越冬时的蚜量(头/株) x13 ：6月份均温 x2 ：前年冬季极端气温 x14 ：6月份降水量 x3 ：5月份最高气温 x15 ：第一次蚜迁高峰期百株烟草 x4 ：5月份最低气温 有翅蚜量