数=0.033403D.W=0.119958⑵Y=-71.35208+0.094813X2(-7.35370)(17.0078)可决系数=0.94142D.W=0.818556⑶Y=-234.1347+85.82949X4(-5.16824)(7.12172)可决系数=0.738063D.W=0.362243⑷Y=15.95177+3.060472X5(4.04267)(22.6885)可决系数=0.968031D.W=0.357973可见,前一年的录取数量的影响最大,与经验相符,所以选择(4)为初始的回归模型。4.1.2逐步回归将其他解释变量分别导入上述初试回归模型,寻求最佳回归方程:讨论:第一步,在初始模型中引入X1,模型拟合优度没有提高,;第二步,在初始模型中引入X2,模型拟合优度也没有提高;第三步,在初始模型中引入X4,模型拟合优度提高,同时X4的参数能通过t检验;第一步和第二步看出X1与X2是多余的,因此最后函数为:Y=-47.04426+19.65155X4+2.597333X5(-32.629701)(3.573119)(15.64733)调整后的可决系数=0.979997D.W.=0.7801684.2异方差检验4.2.1怀特检验怀特统计量=20*0.688714=13.77428,该值大于5%显著水平下、自由度为5的临界值11.07,所以拒绝同方差的原假设。去掉交叉项的辅助回归结果为:怀特统计量=20*0.250045=5.0009,该值小于5%显著水平下、自由度为5的临界值11.07,所以不拒绝同方差的原假设。由于两者的结果相矛盾,所以在进行一次G-Q检验。4.2.2G-Q检验将原始数据按X5排成升序,去掉其中6个数据,得到两个样本容量为7的子样本。对两个子样本分别作普通最小二乘回归,求个自的残差平方和。做X5与残差平方和的散点图:异方差检验图子样本1:
全文预览