01.前言

后面咱们讲了一元线性回归，没看过的能够先去看看：[一元线性回归剖析]。这一篇咱们来讲讲多元线性回归。一元线性回归就是自变量只有一个x，而多元线性回归就是自变量中有多个x。

多元回归的模式如下：

02.参数估计

多元回归方程中各个参数也是须要预计的，对于为什么要预计，其实咱们在一元线性回归外面也讲过。与一元线性回归不同的是，一元线性回归拟合的是一条线，而多元回归拟合的是一个面。应用的办法也是最小二乘法。

在多元回归外面拟合水平判断与一元回归也相似，也次要有总平方和、回归平方和、残差平方和这三种。

多元回归外面也有R^2，R^2 = SSR/SST = 1 - SSE/SST。因为减少自变量的会升高残差SSE，进而导致R^2减少。

为什么退出新的变量会使SSE升高呢？因为每新退出一个新的变量，这个新的变量就会奉献一部分平方和，而这个平方和就是从残差外面分离出来的。

为了防止自觉减少自变量而导致失去一个虚高的R^2，优良的前辈们又想出了一个新的指标，即修改后的R^2。公式如下：

公式中的n为样本量的个数，k为自变量的个数，通过n和k来调整R^2，这样就不会呈现随着自变量个数的减少而导致R^2也跟着减少的状况。

咱们个别用调整后的R^2来判断多元回归的准确性。

除了R^2以外，咱们还能够应用标准误差来掂量回归模型的好坏。标准误差就是均方残差(MSE)的平方根，其示意依据各自变量x来预测因变量y的均匀预测误差。

咱们在一元线性回归外面做过显著性测验，在多元回归外面也是同样须要做显著性判断的。

线性关系测验就是测验y和多个x之间的关系是否显著，是总体显著性测验。

测验办法与一元线性回归统一，即咱们假如没有线性关系，而后对变量进行F测验，具体的具体介绍，参考一元线性回归中解说的。

线性关系显著性测验是对多个变量的一个显著性判断，也就是说只有多个x中有一个x对y的影响是显著的，线性关系就是显著的。而回归系数测验是用来看每一个x对应的系数是否是显著的。要看某个变量的系数是否显著，假如这个变量的系数等于0，而后进行t测验判断显著性。

具体的t测验能够查看假设检验的内容：[统计学的假设检验]。

多元回归与一元回归还有一个不同点就是，多元回归有可能会存在多重共线性。

什么是多重共线性呢？多元回归外面咱们心愿是多个x别离对y起作用，也就是x别离与y相干。但在理论场景中，可能x1与x2之间彼此相干，咱们把这种x变量之间彼此相干的状况称为多重共线性。多重共线性可能会让回归失去一个谬误的后果。

既然多重共线性的问题很重大，那咱们应该如何发现呢？最简略的一种办法就是求变量之间的相关性，如果两个变量之间高度相干，就能够认为是存在多重共线性。

对于存在多重共线性问题的变量，咱们个别会把其中一个舍弃。

以上就是对于多元回归的一个简略介绍，大家能够看到很多内容没有开展来讲，次要是因为这些货色在之前的文章都讲过了。如果没有看过的同学，能够去后面对应的文章翻翻。