回归分析是统计分析的一项重要内容，可以帮助我们了解变量之间的数量关系。
线性回归分析
1、线性回归的假设理论
（1）正态性假设：即所研究的变量均服从正态分布；
（2）等方差假设：即各变量总体的方差是相等的；
（3）独立性假设, 即各变量之间是相互独立的；
（4）残差项无自相关性，即误差项之间互不相关，Cov(ei,ej=0
2、线性回归模型的检验项目
（1）回归系数的检验（t检验）
（2）回归方程的检验（F检验）
（3）拟合程度判定（可决系数R2）
（4）D.W检验（残差项是否自相关）
（5）共线性检验（多元线性回归）
（6）残差图示分析（判断异方差性和残差序列自相关）
SAS过程
SAS提供的回归过程比较多，包含REG（回归）过程、rsreg（二次响应面回归）过程、orthoreg（病态数据回归）过程、nlin（非线性回归）过程、transreg（变换回归）过程、calis（线性机构方程和路径分析）过程、glm（一般线性回归）过程、genmod（广义线性回归）过程等
reg的一般格式：
PROC REG DATA=数据集 选项;
VAR 变量列表;
MODEL 因变量=自变量列表/selection=回归模型;
PRINT 输出结果;
PLOT 诊断图形;
RUN;
使用不同的线性回归模型
selection=forward为顺向选择法，将全模型中的自变项逐一加入至最佳模型
selction=backward为反向排除法，将全模型中的自变项逐一去除至最佳模型
selection=stepwise为逐步排除法，为前二者之合并
例如：
PROC REG DATA=SASUSER.SCORE;
VAR MATH ENGLISH CHINESE;
MODEL MATH=ENGLISH CHINESE;
RUN;
解释：回归结果为第三部分，可以看到P都大于0.05，则English、Chinese的作用不显著。
作者：郑来轶，如若转载，转载请注明出处：https://www.zhenglaiyi.com/988.html
