1700500323
1700500324
在R2计算公式中：
1700500325
1700500326
yi表示目标变量的真实值；
1700500327
1700500328
fi表示模型的预测值；
1700500329
1700500330
1700500331
表示目标变量真实值的均值；
1700500332
1700500333
SSE称为残差平方和，自由度为P，P代表自变量的个数；
1700500334
1700500335
SST称为总平方和，自由度为N-1，N代表样本数量；
1700500336
1700500337
SSR称为回归平方和，自由度为N-P-1。
1700500338
1700500339
总平方和SST反映了因变量（目标变量）Y的波动程度，SST是由回归平方和SSR和残差平方和SSE两部分组成的。其中，回归平方和SSR是由解释变量，即自变量，输入变量X所引起的，残差平方和SSE是由其他随机因素所引起的。
1700500340
1700500341
在回归方程中，回归平方和越大，回归效果越好，因此可构造如下的统计量：
1700500342
1700500343
1700500344
1700500345
1700500346
1700500347
在零假设H0:β1=β2=…βp=0成立时（β为各自变量在回归方程中的回归系数），统计量服从自由度为（p,N-p-1）的f分布。如果给定显著水平α，则否定域为F＞F1-α（p,N-p-1）。
1700500348
1700500349
当F值没有落在否定域之中时，零假设H0:β1=β2=…=βp=0成立，表明解释变量（自变量）X1,X2,…,Xp对因变量（目标变量）Y的多元线性回归不成立，X1,X2,…,Xp与Y之间没有显著的线性关系。
1700500350
1700500351
1700500352
对于每个自变量Xi做偏回归显著性检验，其公式为：，其中，SSR-i为剔除变量Xi之后的回归平方和，SSR-SSR-i反映了在引入Xi之后，Xi对于回归平方和的贡献。
1700500353
1700500354
分别检查各自变量的Fi是否都大于相应的F0.05。
1700500355
1700500356
如果全部Fi都大于F0.05，则结束。
1700500357
1700500358
如果经检查发现有几个自变量的Fi小于F0.05，则每次只能删除其中的一个Xi，这个Xi是所有自变量中其Fi最无显著性的，然后再重新用剩下的自变量进行回归的构建，如此反复，直到所有的有显著性意义的自变量都进入回归方程，而没有显著性意义的变量都被剔除为止。
1700500359
1700500360
1700500361
1700500362
1700500363
数据挖掘与数据化运营实战：思路、方法、技巧与应用 [:1700497580]
1700500364
数据挖掘与数据化运营实战：思路、方法、技巧与应用 8.6.5 卡方检验
1700500365
1700500366
卡方检验（Chi-Square Statistics）在统计学里属于非参数检验，主要用来度量类别型变量，包括次序型变量等定性变量之间的关联性以及比较两个或两个以上的样本率。其基本思想就是比较理论频数和实际频数的吻合程度或拟合度。作为数据挖掘中筛选自变量的重要方法，卡方检验主要是通过类别型目标变量，最常见的就是二元目标变量，0,1与类别型自变量之间的关联程度来进行检验的，关联性大的类别型自变量就有可能是重要的自变量，可以通过初步的筛选进入下一轮的考察。卡方检验的公式如下：
1700500367
1700500368
1700500369
1700500370
1700500371
1700500372
