回归分析(stata实例详细解答过程)[通俗易懂]

回归分析(stata实例详细解答过程)[通俗易懂]现有某电商平台846条关于婴幼儿奶粉的销售信息,每条信息由11个指标组成。其中,评价量可以从一个侧面反映顾客对产品的关注度。请对所给数据进行以下方面的分析,要求最终的分析将不仅仅有益于商家,更有益于宝妈们为宝贝选择适合自己的奶粉。(1)以评价量为因变量,分析其它变量和评价量之间的关系。(2)以评价量为因变量,研究影响评价量的重要因素。我们运用stata软件解决此问题。第一问在第一问中要求我们,以评价量为因变量,分析其它变量和评价量之间的关系。我们在这里用回归分析,…

大家好,又见面了,我是你们的朋友全栈君。如果您正在找激活码,请点击查看最新教程,关注关注公众号 “全栈程序员社区” 获取激活教程,可能之前旧版本教程已经失效.最新Idea2022.1教程亲测有效,一键激活。

Jetbrains全系列IDE使用 1年只要46元 售后保障 童叟无欺

现有某电商平台846条关于婴幼儿奶粉的销售信息,每条信息由11个指 标组成。其中,评价量可以从一个侧面反映顾客对产品的关注度。 请对所给数据进行以下方面的分析,要求最终的分析将不仅仅有益于 商家,更有益于宝妈们为宝贝选择适合自己的奶粉。

(1) 以评价量为因变量,分析其它变量和评价量之间的关系。

(2) 以评价量为因变量,研究影响评价量的重要因素。

回归分析(stata实例详细解答过程)[通俗易懂]

 

我们运用stata软件解决此问题。

第一问

在第一问中要求我们,以评价量为因变量,分析其它变量和评价量之间的关系。

我们在这里用回归分析,分析此数据,完成第一题。

1.导入excel表格的数据

方法一:单击stata的左上角的“文件”,选择“导入”,再选择“excel电子表格”

在浏览选择文件位置,然后勾选“将第一行作为变量名”,最后单击“确定”。

回归分析(stata实例详细解答过程)[通俗易懂]

方法二:代码导入

 import excel "D:\数学建模\清风数学建模\视频对应课件\正课\7 多元回归分析\第7讲.多元回归分析\代码和例题数据\课堂中讲解的奶粉数据.xlsx", sheet("Sheet1") firstrow

2.打开代码编辑器

回归分析(stata实例详细解答过程)[通俗易懂]

 回归分析(stata实例详细解答过程)[通俗易懂]

 

3.数据的描述性统计

(1)定量变量

回归分析(stata实例详细解答过程)[通俗易懂]

回归分析(stata实例详细解答过程)[通俗易懂]

 Obs:观测值、样本

Mean:平均数

Std.Dev.:标准差

Min:最小值

Max:最大值

(2)定性变量

回归分析(stata实例详细解答过程)[通俗易懂]

回归分析(stata实例详细解答过程)[通俗易懂]

回归分析(stata实例详细解答过程)[通俗易懂]

 

4.回归分析(stata)

回归分析(stata实例详细解答过程)[通俗易懂]

GLS为广义最小二乘,在OLS的基础上进行了一定的调整,为了克服扰动项u,当一些条件不符合时,我们可以使用GLS进行估计。

回归分析(stata实例详细解答过程)[通俗易懂]

Model:SSR

Residual:SSE

Total:SST

R2 = 1 -(SSE / SST)

回归分析(stata实例详细解答过程)[通俗易懂]

回归分析(stata实例详细解答过程)[通俗易懂]

regress 评价量 团购价元 商品毛重kg
// 下面的语句可帮助我们把回归结果保存在Word文档中
// 在使用之前需要运行下面这个代码来安装下这个功能包(运行一次之后就可以注释掉了)
// ssc install reg2docx, all replace
// 如果安装出现connection timed out的错误,可以尝试换成手机热点联网,如果手机热点也不能下载,就不用这个命令吧,可以自己做一个回归结果表,如果觉得麻烦就直接把回归结果截图。
est store m1
reg2docx m1 using m1.docx, replace
// *** p<0.01  ** p<0.05 * p<0.1

回归分析(stata实例详细解答过程)[通俗易懂]

F(2,843) 和 Prob > F 为联合显著性检验

F(2,843):为F统计量,

Prob > F:为P值,必须要小于0.05,要不然没有实际意义。

df:自由度

R – squared:R2

Adj   R – squared:调整后R2(论文中一般用这个)

回归分析(stata实例详细解答过程)[通俗易懂]:为常数项也就是回归分析(stata实例详细解答过程)[通俗易懂]

t:t检验统计量=Coef. / Std. Err.

P > | t |:各因素所对应的P值。例如:商品毛重kg对应的P值为0.457>0.05,所以商品毛重kg对应的回归系数2410.303没有什么意义,与0没有显著差异。

[95%  Conf. Interval]:

Coef.:分析出来的回归系数

Std. Err.:分析出来回归系数的标准误差

5.加入虚拟变量回归

回归分析(stata实例详细解答过程)[通俗易懂]

 Stata会自动检测数据的完全多重共线性问题。

下面的图片结果放在附录中就行了

回归分析(stata实例详细解答过程)[通俗易懂]

回归分析(stata实例详细解答过程)[通俗易懂]

// Stata会自动剔除多重共线性的变量
regress 评价量 团购价元 商品毛重kg A1 A2 A3 B1 B2 B3 B4 B5 B6 B7 B8 B9 C1 C2 D1 D2 D3 D4 D5 E1 E2 E3 E4 F1 F2 G1 G2 G3 G4
est store m2
reg2docx m2 using m2.docx, replace

回归分析(stata实例详细解答过程)[通俗易懂]

 因为我们计算出来的P值小于0.05,所以通过了联合显著性检验。再寻找有哪些因素的P值小于0.05或者小于0.1,然后说它对应的回归系数是显著的。(只分析显著的)

在论文中放下面的处理好的表格

回归分析(stata实例详细解答过程)[通俗易懂]

 回归分析(stata实例详细解答过程)[通俗易懂]

 

6.拟合优度 R2较低怎么办

(1)回归分为解释型回归和预测型回归。 预测型回归一般才会更看重?2。 解释型回归更多的关注模型整体显著性以及自变量的统计显著性和经济意义显著 性即可。

(2)可以对模型进行调整,例如对数据取对数或者平方后再进行回归。

(3)数据中可能有存在异常值或者数据的分布极度不均匀。(本例就是这种情况)

回归分析(stata实例详细解答过程)[通俗易懂]

 

第二问

在第二问中要求我们,以评价量为因变量,研究影响评价量的重要因素。

我们将引入标准回归,来解决第二题。

回归分析(stata实例详细解答过程)[通俗易懂]

 

1.Stata标准化回归命令

就仅仅是在回归分析的后面加了“,beta”。

回归分析(stata实例详细解答过程)[通俗易懂]

 Beta:为标准化后的回归系数。回归分析(stata实例详细解答过程)[通俗易懂]

 第二题计算结果分析:

回归分析(stata实例详细解答过程)[通俗易懂]

 P值小于0.05,所以以下分析结果可用。回归分析(stata实例详细解答过程)[通俗易懂]

 结果只有团购价格和F1的P值是小于0.1,所以标准化回归系数显著,是影响评价量的重要因素。而团购价格的标准化回归系数比F1的标准化回归系数大,所以团购价格才是影响评价量的最重要的因素。

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请联系我们举报,一经查实,本站将立刻删除。

发布者:全栈程序员-站长,转载请注明出处:https://javaforall.net/179088.html原文链接:https://javaforall.net

(0)
全栈程序员-站长的头像全栈程序员-站长


相关推荐

  • 搏一搏 单车变摩托,是时候捣鼓一下家中的小米电视机啦。[通俗易懂]

    搏一搏 单车变摩托,是时候捣鼓一下家中的小米电视机啦。[通俗易懂]事因因为家中有一台小米电视机,但是平时使用起来体验很差(1G内存,8G存储,CPU型号CortexA534核心1.5GHz),如今视频平台很多,Bilibili、爱奇艺、优酷、腾讯视频、芒果TV等平台。很多视频通过小米电视找不到,一部分原因是小米电视机的界面太炫丽,导致家中老人不太会操作,就是我用起来都觉得麻烦。想了一下,实在不行就干脆换系统。后来看到一些文章,可以更换界面,卸载一些不用的软件。当贝桌面,体验了一下。装完后,发现还不错,接近手机清爽的界面。装完主界面如下,系统自带的一些软件

    2022年6月27日
    34
  • django 视图_基本视图有哪些

    django 视图_基本视图有哪些视图家族drf的视图总共分为以下4个,对应4个源码文件views:视图类generics:工具视图mixins:视图工具集viewsets:视图集学习曲线我们学习视图,可以按照以下的曲线

    2022年7月30日
    8
  • cisco rip路由

    cisco rip路由

    2021年8月24日
    44
  • Iocomp控件教程之Analog Display—模拟显示控件(优于EDIT控件)[通俗易懂]

    Iocomp控件教程之Analog Display—模拟显示控件(优于EDIT控件)[通俗易懂]AnalogDisplay是简洁的显示控件,用于显示指定精确度和单位的模拟值(实数),可以将精确度设置为0,使显示结果为整数。第一步:建立MFC对话框第二步:插入AnalogDisplay控件第三步:单击控件-鼠标右键-添加成员变量完成添加变量的同时,控件的.h、.c文件也会被添加到程序中主要成员函数介绍://背景颜色I_analo

    2022年7月17日
    14
  • Linux 操作系统原理 — 操作系统的本质「建议收藏」

    Linux 操作系统原理 — 操作系统的本质「建议收藏」目录文章目录目录操作系统的起源操作系统和高级编程语言使硬件抽象化操作系统的起源在操作系统尚不存在的年代,人们通过各种按钮来控制计算机,这一过程非常麻烦。于是,有人开发出了仅仅具有加载和运行功能的监控程序(Supervisor),这就是操作系统的原型。通过监控程序,程序员可以根据需要将各种应用程序加载到内存中运行。虽然仍旧比较麻烦,但现在开发的工作量得到了很大的缓解。随着时代的发展,人们…

    2025年7月1日
    3
  • Linux下的5款主流高可用集群软件介绍[通俗易懂]

    Linux下的5款主流高可用集群软件介绍[通俗易懂]Linux集群主要分成三大类:高可用集群(HighAvailabilityCluster)、负载均衡集群(LoadBalanceCluster)、科学计算集群(HighPerformanceComputingCluster)。其中高可用集群具有保障应用程序持续提供服务的能力,可以将因软、硬件、人为造成的故障对业务的影响降低到最小程度。在高可用集群中,最常见的就是两个节点做成的HA集群,有很多通俗的名称,比如“双机热备”、“双机互备”、“双机”。而在Linux平台下常见的高可用集群软件有

    2022年10月16日
    4

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注

关注全栈程序员社区公众号