用eviews怎么看残差图

用eviews怎么看残差图,第1张

做完回归分析后,在方程对象(就是你能看到的输出结果窗口)中,左上角的view-residual
tests-histogram
normal
test,得到残差的分布直方图,左侧是残差的描述统计量,还有jarque-bera统计量,即得到残差的正太性检验。

一般在回归模型满足所说的假定时,残差图上的点是无规律,随机分布的1若回归模型存在异方差,残差图上的点会出现一定的规律2如有一点明显偏离其他点,应该核查,看是否舍去此点3若出现曲线或明显直线的关系,可考虑改变现有拟合情况4残差图的点分布是出现喇叭表示方差不等 ,可考虑对方差进行稳健话处理
在 SPSS 中,虽然提供了很多的模型与方法供数据分析使用,但其中很多都需要满足正态性或方差齐性假设,如果我们忽视这一前提假设(虽然某些模型有一定耐受性),直接进行 SPSS 分析会大大增加犯两类错误的概率,显然得出的结论是不可靠的。
下面分别介绍 SPSS 关于样本数据正态性与方差齐性检验方法。
一、正态性检验
图示法
1直方图。是否以钟形分布,还可以选择输出正态性曲线;
2PP图和QQ图。如果样本数据对应的总体分布确为正态分布,则样本数据对应的散点应基本落在原点出发的45°线附近;
3茎叶图。茎叶图的用途同直方图,它不仅具备与直方图相同的直观性,同时能精细表达样本数据的取值水平,当样本量小时,可以通过茎叶图进行正态性呈现;
4正态分位图。数据集中在直线附近,数据不超出95%置信区间线即可说明数据呈正态分布。
注:图示法清晰直观,作为初步判断很有效,但为增加可信度还需要统计指示方法的检验
统计指示法
1偏度和峰度。正态分布的偏度系数为0,峰度系数为3。
2偏度峰度联合检验法(Jarque-Bera)。如果样本数据所来自的总体服从正态分布,则JB近似服从自由度为2的卡方分布。
Jarque-Bera检验相比于其他检验方法更容易成功地接受正态性假定,即Ⅰ类错误风险较低。Jarque-Bera检验不能用于小样本检验
3Shapiro-Wilk检验。一般来说,可以使用Shapiro-Wilk检验判断数据的正态分布情况。如果数据接近正态分布,那么Shapiro-Wilk检验的P值就大于005;反之则小于005
适用于3 < 样本数< 5000 时的正态性检验,计算可得到一个相关系数,它越接近 1 就越表明数据和正态分布拟合得越好
4Kolmogorov-Smirnor检验(KS)。其检验的是标化后的数据是否服从理论的分布。需要注意的是样本数据如果有结点(即是重复的数据),则无法计算准确的P值,需要先对结点处理
非参数检验KS检验基于经验分布函数,该检验适用大样本(N>2000)。
SPSS中有两个地方可以做K-S检验,一处在“分析(Analyze) >> 非参数检验(Nonparametric tests)>>单样本(One sample)”,另一处在“分析(Analyze)>>描述统计量(Descriptive Statistics)>>探索(Explore)”中。两者的检验方法不同,检验结果可能也会有差异。单样本检验是将变量的观察累积分布函数与指定的理论分布进行比较,该理论分布可以是正态分布、均匀分布、泊松分布或指数分布,是一种拟合优度检验,检验效率较低。Explore中的K-S和W检验是用一个综合指标来反映材料的正态性,资料的正态峰和对称峰两个特征有一个不满足正态性要求时,假阴性较大。单样本K-S检验统计量为Z,Explore分析中的K-S检验统计量为D。
5Lilliefors检验(K-S检验的修正)。对KS正态性检验的的修正,适合大样本。适用于一般的正态性检验。

最主要的是两个表:

一个是拟合优度表,给出判定系数R方。

二是回归系数表,给出回归系数估计值及其显著性检验的结果。

残差的直方图,主要是用来判断残差是否服从正态分布。因为经典回归模型的基本假设之一是,随机误差项服从正态分布。

许多统计软件包均能打出残差图。可用它来检查回归线的异常点。在分析测试中常用的散点图是以自变量为横坐标的残差图。

扩展资料:

对于图1(a)的情况,不论回归值的大小,而残差具有相同的分布,并满足模型的各假设条件;对于图1(b)的情况,表示回归值的大小与残差的波动大小有关系,即等方差性的假设有问题;表示线性模型不合适的样本,可能有异常值存在。

对于图1(a),如果大部分点都落在中间(b)部分,而只有少数几个点落在外边,则这些点对应的样本,可能有异常值存在。

参考资料来源:百度百科-残差图

那个最佳答案说的跟这个问题没有关系。我在学习r语言的线性回归的时候遇到了这个问题。这个图是用来判断你对回归模型的线性假设是否成立的。看法如下:
按照书上所说就是:“
若图形存在非线性,则说明你可能对预测变量的函数形式建模不够充分,
那么就需要添加一些曲线成分,比如多项式项,或对一个或多个变量进行变换(如用log(X)代
替X),或用其他回归变体形式而不是线性回归。

按照别人的说法就是:看图中的两条线,红色虚线和绿色实线是否接近。接近了就说明模型是线性的(这是在RStudio中做出的成分残差图)。


欢迎分享,转载请注明来源:内存溢出

原文地址: http://outofmemory.cn/yw/13243118.html

(0)
打赏 微信扫一扫 微信扫一扫 支付宝扫一扫 支付宝扫一扫
上一篇 2023-06-25
下一篇 2023-06-25

发表评论

登录后才能评论

评论列表(0条)

保存