线性回归时所有变量都不显著

不显著就应该剔除,除非你想硬塞进这个自变量,那你只有改数据了

答案:有一类卑微的工作是用坚苦卓绝的精神忍受着的,最低陋的事情往往指向最崇高的目标.

一个变量,做自变量x,一个是因变量y.导入eviews,点击esimate,y=cx,结果就出来了.

当然不是,R2是用来衡量解释变量对被解释变量的解释力的,显著性需要看回归系数的t统计量或F统计量,看起在选点的显著水平下是否显著.再问：作者认为种子重量每增加1g发芽率就提高2.17%，对吗？再答：那

纳入虚拟变量即可我替别人做这类的数据分析很多的

你看可决系数够不够大嘛,或者看回归系数的T统计量-34.6462,P值也相当小了,所以是显著的；预测的时候先要自己预测出一个X值,然后直接带入回归方程计算出Y值就行了.

你这里面从各个变量的t检验看显然有变量不显著,把这些变量剔除掉重新建立新的回归模型就是了,哪儿有在这种伪回归的情况下纠结方差分析是不是显著的……再问：那有无回归模型显著，但有个别变量不显著的情况，请教

请教各位：小女子计量刚刚入门,现在做一个多元的线性回归模型,包括一个因你最好一次只去掉一个自变量,因为每去掉一个自变量,其他变量的估计值,t-

如果是非常不显著,建议删除,其它情况比如15%的水平下是显著的,建议保留,这得根据实际问题来.可以试着先将最不显著的剔除掉,再看看方程,也许就会出现显著系数增多的情况,建议一个个删除.

哪个自变量比较重要吗?看标化系数再问：是标准系数？那回归方程的话最后是用非标准化系数的B还是标准系数呢？谢谢~~~~(>_

常量系数为负是什么意思怎么分析,而且如果在显著性水平sig大于0.5这合理不?第一,常量估计值并不是负的,而是6.353.第二,其它的解释变量中,有三个系数是负值,这说明,这些自变量与因变量是反向即负

这句话分两种情况考虑,第一,在一元线性回归的情况下,由于只有一个系数需要检验,所以回归方程的F检验与系数的T检验的结果是一直的.第二,在多元线性回归的情况下,方程总体的线性关系检验不一定与回归系数检验

这是由你自己选的啊,你需要根据自己想要研究的问题挑选y和x,没有说你一定要挑某些变量,往往在一个问题中,y是确定的,x可能有很多选择的可能,我们都可以一一尝试.

你是想调整数据呢还是想调整什么呢?线性回归时候,相关系数只是表明了各个系数之间的相关程度.但是自变量对因变量不显著的话,只能说明自变量多因变量影响不大,可以考虑换其他的跟因变量关系更加大的变量.或者在

在LinearRegression对话框中,单击Method栏的下拉菜单,选择Stepwise；单击“Options”按钮,更改UseprobabilityofF栏中“Entry”的值为0.1,“Re

logistic回归模型,主要是用来对多因素影响的事件进行概率预测,它是普通多元线性回归模型的进一步扩展,logistic模型是非线性模型.比如说我们曾经做过的土地利用评价,就分别用多元线性回归模型和

嗯,在分类变量中包括二分类的变量和多分类的变量,其中二分类的变量改成虚拟变量,只要将一类赋值为0,另一类赋值为1就可以了,0作为对照组；如果是多分类的变量,改成虚拟变量时,需要设立分类数减1的虚拟变量

显著性在你给的条件下没有定义.首先OLS的多元回归,实际上是这样：解方程y=b0+b1x1+b2x2,如果你的数据多于m+1个（我们就以你的这个例子说吧,就是多于3组数据,比如100组),这个时候方程

不能拒绝二次adm项系数为0的假设所以不显著你可以看看二次回归和一次回归R方的差异如果不大说明一次v即可.再问：但是R^2很大啊。。。再答：一次和二次的R方差异是多少?再问：相差不大。。。

一般可以用统计软件中的逐步回归方法,可以自动把有意义的变量纳入到回归模型里面；也可以先做单变量的回归,然后把单变量分析有意义的自变量都纳入到回归模型里,做多元回归,但是在临床或者实际上有关联的重要观察