장 중 회귀 분석
7 . (Multiple Regression Analysis)
두개 이상의 설명 변수와 하나의 반응변수간의 관계
- .
반응변수와 설명변수간의 관계식을 구하여 반응변수의 형태를 설명 -
하거나 예측.
중회귀 분석의 예
< >
여러 가지 음식 보충제 운동 행동조절을 사용하여 어린이의 체중감소를 추정하는 문제, , .
○
광고비 세일즈맨 관리자수 여러 가지 판매전략에 따른 매출액의 변화를 추정하는 문제, , , .
○
재정적자, GNP, CPI, 인플레이션비율에 따른 이자율 변화를 추정하는 문제.
○
생산공정에서 온도 시간 첨가제의 농도 촉매제의 농도에 따른 생산제품의 품질지수예측, , , .
○
중회귀 모형 1.
모형
○
y =
0+
1x
1+
2x
2+ +
px
p+
⇒
y
i=
0+
1x
1i+
2x
2i+ +
pix
pi+
i행렬표현
○
y
n 1= X
n (p + 1 ) (p + 1 ) 1+
n 1y
: 반응벡터,X
:상수행렬,모수백터
: ,
:
E ( ) = 0
,Cov ( ) = σ
2I
인 정규 확률변수 벡터.추정 회귀식
○
회귀 계수 벡터
: 의 추정량 - 최소제곱 추정량
⇒
yˆ = X b
오차제곱합 :
= (y − X ) (y − X )
⇒ˆ = (X X )
−1X y
전체 F-검정
○
설정된 회귀모형이
-
y
를 예측 하는데 있어 실제로 유용한지를 결정하는 방법으로 모든 ( 0제 외 를 동시에 검정) .H0 : 1
=
2= =
p= 0
이들 중 최소한 하나는 이 아니다
H1 : 0 .
⇔ H0 :
y
를 예측하는데 있어 어떤 설명변수도 유의하지 않다.H1 :
y
를 예측하는데 있어 유의한 설명변수가 있다.분산분석표
< >
요인 자유도 제곱합 평균제곱 F-통계량
회귀 p SSR MSR=SSR/p F0=MSR/MSE 오차 n-p-1 SSE MSE=SSE/(n-p-1)
합계 n-1 SST
판정
○
또는 유의확률 값 귀무가설을 기각하고 설정된 모형이 유의하다
F0 > F(p, n-p-1), p- < 0.05 : .
유의확률 p-값 < 0.01 : 설정된 모형이 매우 유의하다.
중결정계수와 상관계수
○
중결정계수
1) (R-square)
R
2= SSR
SST = 1 − SSE SST
중회귀 모형에서는
⇒
R
2 값이 크다고 해서 설명력이 좋다고 할수 없다.와 무관한 설명병수를 추가하면 y
⇒
R
2 값은 증가한다.수정된
2) R-square
와 를 각각의 자유도로 수정한 값
: SSE SST .
R
adj2= 1 − SSE/ (n − p − 1 ) SST/ (n − 1 )
중상관계수 3)
:
R
2의 양의 제곱근으로y
와x
1, x
2, , x
p간의 상관계수.R
은 이들 간의 선형관련성을 나타냄.회귀계수에 대한 추론 2.
추정회귀계수
1)
b
에 대한 평균과 공분산 평균 :▷
E (b ) =
공분산행렬 :▷
Cov (b ) = σ
2(X X )
−1 추정된 공분산 행렬 :▷
Cov ˆ (b ) = MSE (X X )
−1개별회귀계수
2) k에 대한 구간 추정 및 검정
▷ k의 신뢰구간 :
b
kt (n − p − 1, α/2 ) √
MSEc
kk 이때,c
kk는 다음과 같다.(X X )
−1=
c
00c
01c
0pc
10c
11c
1pc
p0c
p1c
pp▷ k에 대한 가설 검정 가설
○
H0 : k
=
k0 H1 : k≠
k0검정통계량
○
T
0= b
k−
k0√ MSEc
kk∼ t (n − p − 1, α/2 )
판정
○
|T
0| > t (n − p − 1, α/2 )
, 또는 유의확률 p-값<0.05 이면 귀무가설 기각.만일
⇒ k
= 0
인지를 검정하는 경우 H0 : k= 0
이며, H0가 기각되면 모형에 해당 변수를 포함하는 것이 옳다고 판정한다.이는 모형에 다른 변수를 모두 포함한 상태에서 변수
⇒
x
k가 추가로 의미가 있는지를 검정하는 것으로 모형에 특정변수의 포함여부를 결정할 때 사용함.
반응변수에 대한 추론 3)
지정된
:
x
값에서 모형이 모평균µ
y를 얼마나 잘 추정하는가를 측정함.▷
(x
1, x
2, , x
p)
에서 평균반응µ
y0에 대한 신뢰구간
yˆ
0t (n − p − 1, α/2 ) √
MSEx
0(X X )
−1x
0가설검정
▷
가설
○
H0 :
µ
y0
= c
H1 :
µ
y0
≠ c
검정통계량
○
T
0= yˆ
0− c
√ MSEx0 (X X )
− 1x
0 ∼ t (n − p − 1, α/2 )
판정
○
|T
0| > t (n − p − 1, α/2 )
, 또는 유의확률 p-값 <0.05 : 귀무가설 기각.하나의 새로운 관측에서 반응값의 예측 4)
하나의 새로운 관측에서 모형이 반응값을 얼마나 잘 예측하는 가를 측정
: .
이때의 신뢰구간을 예측구간 이라함
: (prediction interval) .
점
▷
x
0에서의 새로운y
0값의 예측구간yˆ
0t (n − p − 1, α/2 ) √
MSE (1 + x
0(X X )
−1x
0)
예 대의 다른차종의 연비 와 무게 엔진의 정격 엔진마력수 카브레터의
[ 1] 32 (MPG) (WT), (ESIZE), (HP),
베럴수(BARR) 의 데이터이다. 회귀모형
< >
MPG = β0 +β1WT + β2ESIZE + β3HP + β4BARR +ε 추정식을 구하라.
①
변수들간의 상관계수를 구하라.
②
결정계수값을 구하라.
③
각 회귀 계수들에 대한 신뢰구간을 구하라.
④
H0 : β
⑤ 4=0 을 유의수준 0.05 하에서 검정하라. 분산분석표를 작성하고 전체 검정 결과를 해석, F .
⑥
출력결과
[ ]
계수
종속변수
a : MPG
추정식
○
의 추정값
MPG = 35.548 -2.888E-03×WT -1.682E-02 ×ESIZE -8.789E-04×HP -.757×BARR 계수들의 신뢰구간
○
0의 95%신뢰구간 : (31.317, 39.778) 1의 95%신뢰구간 : (-.005, -.001) 2의 95%신뢰구간 : (-.035, .001)
3의 95%신뢰구간 : (-.007, .005) 4의 95%신뢰구간 : (-1.506, -.009)
비표준화 계수 표준화 계수 t 유의확률 B에 대한 95%
신뢰구간 상관계수
모형 B 표준오차 베타 하한값 상한값 0차 편 부분
1 (상수) 35.548 2.062 17.240 .000 31.317 39.778
WT -2.888E-03 .001 -.469 -2.585 .015 -.005 -.001 -.868 -.445 -.212 ESIZE -1.682E-02 .009 -.346 -1.936 .063 -.035 .001 -.848 -.349 -.159 HP -8.789E-04 .003 -.026 -.294 .771 -.007 .005 -.266 -.056 -.024 BARR -.757 .365 -.203 -2.076 .048 -1.506 -.009 -.551 -.371 -.170
개별회귀계수에 대한 검정
○
각 계수별 유의 확률값이 0.05 보다 작으면 귀무가설 기각. 유의한 항목들은 각각
⇒ 0, 1, 4 이다.
결과적으로 올바르게 모형을 적합시키기 위해서는 독립변수들 중에서 WT 와 BARR 만 모형에 포함시켜 재분석이
⇒
필요하다.
상관계수
모형 BARR ESIZE HP WT
1 상관계수 BARR 1.000 -.011 -.373 -.186
ESIZE -.011 1.000 -.062 -.866
HP -.373 -.062 1.000 .047
WT -.186 -.866 .047 1.000
공분산 BARR .133 -3.490E-05 -4.066E-04 -7.584E-05 ESIZE -3.490E-05 7.544E-05 -1.603E-06 -8.406E-06 HP -4.066E-04 -1.603E-06 8.942E-06 1.566E-07 WT -7.584E-05 -8.406E-06 1.566E-07 1.248E-06 파란바탕의 흰색 : 회귀계수들 간의 상관계수
⇒
공분산 항목 : 대각선 항목 : 회귀계수의 분산
⇒
대각선 아래 항목들 : 회귀계수들 간의 공분산
참고 독립변수들 간의 상관관계
< >
WT ESIZE HP BARR
WT Pearson 상관계수 1.000 .888 .187 .428 유의확률 양쪽( ) . .000 .305 .015
N 32 32 32 32
ESIZE Pearson 상관계수 .888 1.000 .198 .395 유의확률 양쪽( ) .000 . .277 .025
N 32 32 32 32
HP Pearson 상관계수 .187 .198 1.000 .412 유의확률 양쪽( ) .305 .277 . .019
N 32 32 32 32
BARR Pearson 상관계수 .428 .395 .412 1.000 유의확률 양쪽( ) .015 .025 .019 .
N 32 32 32 32
결정계수
○
모형 요약
< >
모형 R R 제곱 수정된 R 제곱 추정값의 표준오차
1 .905 .819 .792 2.75
회귀 모형이 전체 관찰치를 약 82% 설명한다.
⇒
와 만을 이용한 재 분석 WT BARR
○
모형 요약
< >
모형 R R 제곱 수정된 R 제곱 추정값의 표준오차
1 .890 .792 .778 2.84
분산분석
< >
모형 제곱합 자유도 평균제곱 F 유의확률
1 선형회귀분석 892.328 2 446.164 55.360 .000 잔차 233.720 29 8.059
합계 1126.047 31
분산 분석표로부터 " H0 : 회귀모형은 유의하지 않다. " 라는 가설은 기각한다.
⇒
결과적으로 MPG를 WT와BARR 의 선형식으로 설명할 수 있으며 설명력은 약, 80% 정도이다.
⇒
계수
< >
비표준화 계수 표준화 계수 t 유의확률
모형 B 표준오차 베타
1 (상수) 37.730 1.760 21.435 .000
WT -4.765E-03 .001 -.774 -8.265 .000 BARR -.822 .349 -.220 -2.353 .026
MPG = 37.73-4.765E-03 WT -0.822 BARR
⇒
와 의 계수는 각각의 유의확률이 보다 작으므로 계수값이 이다 를 기각한다
WT BARR 0.05 “H0: 0 ” .
⇒
일반선형회귀모형
3. (Generalized Linear Model: GLM)
상호작용 효과 모형 설명변수들간의 상호작용을 고려한 모형
- : .
예)
y =
0+
1x
1+
2x
2+
3x
1x
2+
⇒
x
3= x
1x
2 라 하면y =
0+
1x
1+
2x
2+
3x
3+
로 표현 가능.다항회귀 모형 설명변수의 차수가 차 이상인 변수항을 포함한 모형 곡선 곡면반응모형
- : 2 ( , ).
예)
y =
0+
1x +
2x
2+
⇒
x
1= x
,x
2= x
2이라 하면y =
0+
1x
1+
2x
2+
으로 표현가능.질적변수를 적용한 모형 설명변수가 양적인 값이 아닌 질적인 값을 갖는 모형
- : .
예)
y =
0+
1x
1+
2x
2+
이때,x
1=
1 , x = male
0 , x = female
,x
2=
1 , x = A 0 , x = B
변수변환 모형 복잡한 곡선반응을 나타내는 모형 로그선형 모형
- : ( )
예)
log y =
0+
1x
1+
2x
2+
⇒
y = log y
라 하면,y =
0+
1x
1+
2x
2+
으로 표현 가능.위와 같은 모든 모형은 선형(linear) 으로 표현가능하기 때문에 “일반선형 모형”으로 표현.
⇒
모형 선택 변수선택법
4. - (Variable Selection Methods)
다중회귀 모형에서 유의성이 높은 변수들만을 모형에 고려하여 회귀 모형을 구축하는 방법
- .
변수선택 방법으로부터 도출된 최종 모형은 최적 의 모형은 아니며 관찰값을
- “ (best or optimal)” ,
충분히 설명할 수 있는 훌륭한 모형임.
모든 가능한 회귀 방법 1)
모든 가능한 변수 조합을 고려
- x .
설명 변수의 수가 많을 때에는 수많은 조합이 필요함.
기준에 따라 선택된 변수만을 고려한 모형만을 분석 모형으로 이용.
○
R
p2 기준결정계수를 이용하여 모형을 선택하는 방법
- .
-
R
2 값이 큰x
변수 집합을 선택함.-
R
2값은 변수가 추가되면 증가하는 속성을 가짐으로 최대로 하는 모형을 구하는 방법이 아님.-
x
변수가 추가되어도R
2값의 증가가 미미한 시점에서 변수집합을 선택.○
MSE
p 또는R
adj2 기준 변수의 개수- p 가 증가함에 따라 처음에는 감소하다가 안정화 되고 나중에 약간 증가하는 경향. -
R
adj2 값이 증가하는 것은 MSE 가 감소하는 성질과 같다.-
MSE
p 값이 최소인 시점의 모형을 선택함.또는 이 값의 최소와 비슷해서 더 이상 변수를 추가할 필요가 없는 시점의 모형을 선택함
- .
○
C
p 기준가 제안한 통계량 - Mallow
-
C
p의 기댓값이 근사적으로 p+1이 된다는 성질을 이용.-
C
p>p+1 이면 과소설정된 모형으로 편향이 존재하는 것으로 간주됨, . 이면 편향이 없는 것으로 간주<p+1 , .
-
C
p의 값이 작고, p+1값에 가까운 모형을 선택함.<
R
p2 기준> <MSE
p 기준><
C
p 기준>참고 - 기준값
※
▷
R
p2= 1 − SSE
pSST
▷
MSE
p= SSE
pn − p − 1
▷
C
p= SSE
pMSE
full+ 2 (p + 1 ) − n
설명변수의 개수 p 가 결정되면 세 판정기준은 동일한 변수를 선택한다.
⇔
각각의 기준에 의해 모두 다른 에서 값들을 조사하기 때문에 기준에 따라 모형이 달라지는 것이p
⇔
일반적임.
이 값 이외에
⇔
PRESS
p (예측오차 값을 기준으로 변수를 선택하기도 함) .단계별 변수선택법 2)
모든 가능한 회귀 방법을 보완하여 변수를 하나씩 추가하거나 제거시키는 방법으로 최종모형
- x
을 선택.
전진 선택법(Forward Selection Method)
○
반응
-
y
에 가장 영향이 큰x
변수부터 하나씩 추가시키면서 최종모형을 찾는 방법.한번 모형에 들어간
-
x
변수는 다시 제거되지 못함.따라서 모형에 들어간
-
x
변수는 재평가되지 않음.절차
< >
개의 P
①
x
변수의 각각에 대해 단순회귀모형을 적합시키고, F-통계량을 계산. 이들 중 가장 큰 F-통계량 값을 가지는②
x
변수를 추가후보에 올림.만일 F-값이 임계값보다 크면 이 변수를 모형에 포함시키고 그렇지 않으면 회귀모형에 포함될, 변수는 없게 된다.
첫 번째로 모형에 포함된
③
x
변수와 나머지 변수들중 하나씩 짝지어x
변수가 두개인 모형을 적합 시킨다.각 회귀 모형의 F-통계량을 계산하여 가장 큰 F-값을 가지는
④
x
변수를 후보에 올림.이 값이 임계값 보다 크면 이
⑤
x
변수를 모형에 두 번째로 포함시키고 그렇지 않으면 절차를 끝냄, . 이와 같은 절차를 나머지 변수에 대해 진행함.⑥
후진 제거법(Backward Elimination Method)
○
전체
-
x
변수들이 포함된 완전모형으로부터 출발함.유의하지 않은 변수들을 하나씩 제거해가는 방법
- .
한번 제거된 변수는 다시 모형에 포함되지 못함
- .
절차
< >
모든 변수를 포함시킨 회귀모형을 적합시킨다 각 회귀 계수에 대해 부분. F-검정을 수행한다.
①
이값들 중에서 절대값이 가장 작은 F-값을 가지는
x
변수를 고려.이 변수의 F-값이 임계값보다 작으면 모형에서 제거시킨다, .
제거된 변수를 제외한 나머지 변수들에 대해 개별회귀계수에에 대한 부분 F- 통계량을 계산.
②
같은 방법으로 이들 중 절대값이 가장 작은 F-값을 갖는
x
변수를 고려.이 변수의 F-값이 임계값보다 작으면 모형에서 제거시킨다, .
이와 같은 절차를 가장 작은 F-값을 갖는 회귀계수가 유의할 때 까지 반복한다.
③
단계별 선택법(Stepwise Selection Method)
○
전진선택법과 후진제거법의 절충방법
- .
변수 추가방법은 전진선택법 을 적용
- “ ” .
변수 제거방법은 후진제거법 을 적용
- “ ” .
가장 많이 사용하는 방법임
- .
전진선택법 추가확률: =0.5
※
후진제거법 제거확률: =0.1
단계별 선택법 추가확률: =0.05, 제거확률 =0.1 ⇒ 같은 확률을 사용하는 것이 바람직.
예 예제 의 데이터를 이용하여 다음의 방법으로 최종모형을 결정해보자
[ 2] 1 .
모든 가능한 회귀 방법
○
전진선택법
○
후진 제거법
○
단계별 선택법
○
모든 가능한 회귀방법 에서 지원되지 않는 방법임
1) : SPSS .
를 이용하여 분석
- SAS .
에서 메뉴 방식으로도 가능
- SAS .
프로그램
< >
출력결과
< >
0.7 0.72 0.74 0.76 0.78 0.8 0.82 0.84
1 2 3 4
<
R
2 변화 추이>⇒
R
2 기준으로x
변수가 3개일 때 즉, WT, ESIZE, BARR 일때 가장 적절한 모형임.⇒
C
p 기준으로 p+1=4에 가장 가까운 3개의 변수일때 가장 적절한 모형임.⇒
MSE
p 기준으로 MSE 가 가장 작은 모형인 WT, ESIZE, BARR 일때 가장 적절한 모형임. 결과적으로 설명변수로 WT, ESIZE, BARR를 포함한 모형이 최종 모형임.⇒
최종으로 선택된 변수 WT. ESIZE, BARR를 이용하여 회귀분석을 수행함.
⇒
분산분석
< >
모형 제곱합 자유도 평균제곱 F 유의확률
1 선형회귀분석 921.306 3 307.102 41.999 .000 잔차 204.741 28 7.312
합계 1126.047 31 예측값 상수
a : ( ), BARR, ESIZE, WT 종속변수
b : MPG
계수
< >
비표준화 계수 표준화 계수 t 유의확률
모형 B 표준오차 베타
1 (상수) 35.491 2.019 17.578 .000
WT -2.872E-03 .001 -.466 -2.617 .014 ESIZE -1.697E-02 .009 -.349 -1.991 .056
BARR -.797 .333 -.214 -2.395 .024
종속변수
a : MPG
최종적으로 추정된 회귀식
⇒
의 추정치
MPG = 35.491-0.002872WT-0.01697ESIZE-0.797BARR
전진선택법 방법 전진
2) - :
출력결과
< >
진입 제거된 변수/
○
모형 진입된 변수 제거된 변수 방법
1 WT . 전진 기준 입력할( : F 확률 <= .050) 2 BARR . 전진 기준 입력할( : F 확률 <= .050) 종속변수
a : MPG
전진선택법으로 변수를 선택한 결과 WT 와 BARR 변수가 모형이 포함됨.
⇒
분산분석
○
모형 제곱합 자유도 평균제곱 F 유의확률
1 선형회귀분석 847.725 1 847.725 91.375 .000 잔차 278.322 30 9.277
합계 1126.047 31
2 선형회귀분석 892.328 2 446.164 55.360 .000 잔차 233.720 29 8.059
합계 1126.047 31
모형 1 : WT만을 모형에 포함시켜 분산 분석한 결과
⇒
모형2 : WT와 BARR을 모형에 포함시켜 분산 분석한 결과
⇒
계수
○
비표준화 계수 표준화 계수 t 유의확률
모형 B 표준오차 베타
1 (상수) 37.285 1.878 19.858 .000
WT -5.344E-03 .001 -.868 -9.559 .000
2 (상수) 37.730 1.760 21.435 .000
WT -4.765E-03 .001 -.774 -8.265 .000
BARR -.822 .349 -.220 -2.353 .026
최종모형
⇒
의 추정치
MPG = 37.730-0.004765WT-0.822BARR
제외된 변수
○
진입 베타- t 유의확률 편상관 공선성 통계량
모형 공차한계
1 ESIZE -.364a -1.929 .064 -.337 .211 BARR -.220a -2.353 .026 -.400 .817 HP -.108a -1.175 .250 -.213 .965 2 ESIZE -.349b -1.991 .056 -.352 .211
HP -.037b -.395 .696 -.074 .830
모형내의 예측값 상수
a : ( ), WT
모형내의 예측값 상수
b : ( ), WT, BARR
종속변수
c : MPG
모형에서 제외된 변수들을 나타냄.
⇒
모형 에서는1 WT만 진입했기 때문에 3개의 변수가 제외됨.
⇒
모형 에서는2 WT와 BARR이 진입했기 때문에 2개의 변수가 모형에서 제외됨.
⇒
후진제거법 방법 후진
3) : -
출력결과
< >
진입 제거된 변수/
○
모형 진입된 변수 제거된 변수 방법
1 HP, WT, BARR, ESIZE . 입력
2 . HP 후진 기준 제거할 의 확률( : F >= .100).
모형 은 모든 변수가 모형에 투입됨1 .
⇒
모형 는 변수중2 HP 가 모형에서 제외됨.
⇒
최종모형은 WT, BARR, ESIZE를 포함한 모형임.
⇒
분산분석
○
모형 제곱합 자유도 평균제곱 F 유의확률
1 선형회귀분석 921.959 4 230.490 30.493 .000
잔차 204.088 27 7.559
합계 1126.047 31
2 선형회귀분석 921.306 3 307.102 41.999 .000
잔차 204.741 28 7.312
합계 1126.047 31
최종모형에 남은 개의 변수를 이용한 분산분석3
⇒
유의확률 =0.000<0.01 이므로 회귀모형은 매우 유의함.
⇒
계수
○
비표준화 계수 표준화 계수 t 유의확률
모형 B 표준오차 베타
1 (상수) 35.548 2.062 17.240 .000
WT -2.888E-03 .001 -.469 -2.585 .015 ESIZE -1.682E-02 .009 -.346 -1.936 .063 BARR -.757 .365 -.203 -2.076 .048 HP -8.789E-04 .003 -.026 -.294 .771
2 (상수) 35.491 2.019 17.578 .000
WT -2.872E-03 .001 -.466 -2.617 .014 ESIZE -1.697E-02 .009 -.349 -1.991 .056 BARR -.797 .333 -.214 -2.395 .024
최종적으로 추정된 회귀식
⇒
추정치
MPG = 35.491-0.002872WT-0.01697ESIZE-0.797BARR 제외된 변수
○
진입 베타- t 유의확률 편상관 공선성 통계량
모형 공차한계
2 HP -.026 -.294 .771 -.056 .827
최종적으로 모형에서 제외된 변수는 HP 하나뿐임.
⇒
단계별선택법 방법 단계선택
3) : -
진입 제거된 변수/
○
모형 진입된 변수 제거된 변수 방법
1 WT . 단계선택 기준 입력할 의 확률( : F <=
제거할 의 확률
.050, F >= .100).
2 BARR . 단계선택 기준 입력할 의 확률( : F <=
제거할 의 확률
.050, F >= .100).
단계별 선택법에서 우선 “전진선택법 으로” WT와 BARR을 모형에 투입함.
⇒
나머지 변수들은 적절치 않기 때문에 모형에 들어오지 못하였고 따라서 제거된 변수는 없음, .
⇒
분산분석
○
모형 제곱합 자유도 평균제곱 F 유의확률
1 선형회귀분석 847.725 1 847.725 91.375 .000 잔차 278.322 30 9.277
합계 1126.047 31
2 선형회귀분석 892.328 2 446.164 55.360 .000 잔차 233.720 29 8.059
합계 1126.047 31
와 변수를 이용한 회귀모형이 적합함
WT BARR .
⇒
즉 두개의 변수, WT와 BARR을 이용한 회귀모형이 매우 유의함.
⇒
계수
○
비표준화 계수 표준화 계수 t 유의확률
모형 B 표준오차 베타
1 (상수) 37.285 1.878 19.858 .000
WT -5.344E-03 .001 -.868 -9.559 .000
2 (상수) 37.730 1.760 21.435 .000
WT -4.765E-03 .001 -.774 -8.265 .000 BARR -.822 .349 -.220 -2.353 .026
와 의 계수를 추정한 결과임
WT BARR .
⇒
최종모형
⇒
의 추정치
MPG = 37.730-0.004765WT-0.822BARR 제외된 변수
○
진입 베타- t 유의확률 편상관 공선성 통계량
모형 공차한계
1 ESIZE -.364 -1.929 .064 -.337 .211 BARR -.220 -2.353 .026 -.400 .817 HP -.108 -1.175 .250 -.213 .965 2 ESIZE -.349 -1.991 .056 -.352 .211 HP -.037 -.395 .696 -.074 .830
모형에서 제외된 변수들을 나타냄.
⇒
전진선택법의 결과와 같음.
⇒