Ⅲ 用SAS做回归分析另外，回归方程的显著性检验以及x1的显著性检验都已通过。
同上面一样，选择菜单“Curves”→“TestforDistribution”对残差进行正态性检验，结果如下图所示，因p值>.15>0.05，应接受原假设，认为残差为正态性分布。所以，模型是合适的，用其对不良贷款进行预
? ? 0.0331 x测会更符合实际。Y1数学建模培训徐雅静08年7月
Ⅲ 用SAS做回归分析2.多元线性回归
引入数据集Mylib.BLDK中的所有4个自变量对不良贷款建立多元线性回归。
(1)分析步骤
在INSIGHT模块中打开数据集Mylib.BLDK。
1)选择菜单“Analyze”→“Fit(YX)（拟合）”，打开“Fit(YX)”对话框；
2)在“Fit(YX)”对话框中，选择变量Y，单击“Y”按钮，将Y设为响应变量；选择变量x1、x2、x3、x4，单击“X”按钮，将x1、x2、x3、x4设为自变量；
3)单击“OK”按钮，得到分析结果。
数学建模培训徐雅静08年7月
Ⅲ 用SAS做回归分析在显示的结果中可以看到，多元回归分析的输出类似于一元线性回归的输出，同样分为七张表：第一张表提供关于拟合模型的一般信息；第二张表给出模型方程(即回归方程)，如图。
可知回归方程为：
???1.0216?0.0400x?0.1480x?0.0145x?0.0292xY1234数学建模培训徐雅静08年7月
Ⅲ 用SAS做回归分析第三张模型拟合汇总表）表明R-Square为0.7976，比一元线性回归模型有一定提高，但不足以说明模型优于一元回归模型，因为在模型中增加自变量总能提高R-Square。
AdjR-Sq（修正R2）考虑了加入模型的变量数，在比较不同多元模型时用AdjR-Sq更合适。如在这里它为0.7571，而在简单模型中为0.6991，说明这一模型比一元线性模型更多地说明变量Y的变化。
数学建模培训徐雅静08年7月