R語言解讀多元線性回歸模型

在許多生活和工作的實際問題中，影響因變量的因素可能不止一個，比如對于知識水平越高的人，收入水平也越高，這樣的一個結論。這其中可能包括了因為更好的家庭條件，所以有了更好的教育;因為在一線城市發展，所以有了更好的工作機會;所處的行業趕上了大的經濟上行周期等。要想解讀這些規律，是復雜的、多維度的，多元回歸分析方法更適合解讀生活的規律。

由于本文為非統計的專業文章，所以當出現與教課書不符的描述，請以教課書為準。本文力求用簡化的語言，來介紹多元線性回歸的知識，同時配合R語言的實現。

1. 多元線性回歸介紹

對比一元線性回歸，多元線性回歸是用來確定2個或2個以上變量間關系的統計分析方法。多元線性回歸的基本的分析方法與一元線性回歸方法是類似的，我們首先需要對選取多元數據集并定義數學模型，然后進行參數估計，對估計出來的參數進行顯著性檢驗，殘差分析，異常點檢測，最后確定回歸方程進行模型預測。

由于多元回歸方程有多個自變量，區別于一元回歸方程，有一項很重要的操作就是自變量的優化，挑選出相關性最顯著的自變量，同時去除不顯著的自變量。在R語言中，有很方便地用于優化函數，可以很好的幫助我們來改進回歸模型。

下面就開始多元線性回歸的建模過程。

2. 多元線性回歸建模

做過商品期貨研究的人，都知道黑色系品種是具有產業鏈上下游的關系。鐵礦石是煉鋼的原材料，焦煤和焦炭是煉鋼的能源資源，熱卷即熱軋卷板是以板坯為原料經加熱后制成的鋼板，螺紋鋼是表面帶肋的鋼筋。

由于有產業鏈的關系，假設我們想要預測螺紋鋼的價格，那么影響螺紋鋼價格的因素可以會涉及到原材料，能源資源和同類材料等。比如，鐵礦石價格如果上漲，螺紋鋼就應該要漲價了。

2.1 數據集和數學模型

先從數據開始介紹，這次的數據集，我選擇的期貨黑色系的品種的商品期貨，包括了大連期貨交易所的 焦煤(JM)，焦炭(J)，鐵礦石(I)，上海期貨交易所的 螺紋鋼(RU) 和 熱卷(HC)。

數據集為2016年3月15日，當日白天開盤的交易數據，為黑色系的5個期貨合約的分鐘線的價格數據。

數據集包括有6列:索引, 為時間

x1, 為焦炭(j1605)合約的1分鐘線的報價數據

x2, 為焦煤(jm1605)合約的1分鐘線的報價數據

x3, 為鐵礦石(i1605)合約的1分鐘線的報價數

x4, 為熱卷(hc1605)合約的1分鐘線的報價數據

y, 為螺紋鋼(rb1605)合約的1分鐘線的報價數據

假設螺紋鋼的價格與其他4個商品的價格有線性關系，那么我們建立以螺紋鋼為因變量，以焦煤、焦炭、鐵礦石和熱卷的為自變量的多元線性回歸模型。用公式表示為：

y，為因變量，螺紋鋼

x1，為自變量，焦煤

x2，為自變量，焦炭x3，為自變量，鐵礦石

x4，為自變量，熱卷

a，為截距

b,c,d,e，為自變量系數

ε, 為殘差，是其他一切不確定因素影響的總和，其值不可觀測。假定ε服從正態分布N(0,σ^2)。

通過對多元線性回歸模型的數學定義，接下來讓我們利用數據集做多元回歸模型的參數估計。

2.2. 回歸參數估計

上面公式中，回歸參數 a, b, c, d,e都是我們不知道的，參數估計就是通過數據來估計出這些參數，從而確定自變量和因變量之前的關系。我們的目標是要計算出一條直線，使直線上每個點的Y值和實際數據的Y值之差的平方和最小，即(Y1實際-Y1預測)^2+(Y2實際-Y2預測)^2+ …… +(Yn實際-Yn預測)^2 的值最小。參數估計時，我們只考慮Y隨X自變量的線性變化的部分，而殘差ε是不可觀測的，參數估計法并不需要考慮殘差。

類似于一元線性回歸，我們用R語言來實現對數據的回歸模型的參數估計，用lm()函數來實現多元線性回歸的建模過程。

這樣我們就得到了y和x關系的方程。

2.3. 回歸方程的顯著性檢驗

參考一元線性回歸的顯著性檢驗，多元線性回歸的顯著性檢驗，同樣是需要經過 T檢驗，F檢驗，和R^2(R平方)相關系統檢驗。在R語言中這三種檢驗的方法都已被實現，我們只需要把結果解讀，我們可以summary()函數來提取模型的計算結果。

T檢驗：所自變量都是非常顯著***

F檢驗：同樣是非常顯著，p-value < 2.2e-16

調整后的R^2：相關性非常強為0.972

最后，我們通過的回歸參數的檢驗與回歸方程的檢驗，得到最后多元線性回歸方程為：

2.4 殘差分析和異常點檢測

在得到的回歸模型進行顯著性檢驗后，還要在做殘差分析(預測值和實際值之間的差)，檢驗模型的正確性，殘差必須服從正態分布N(0,σ^2)。直接用plot()函數生成4種用于模型診斷的圖形，進行直觀地分析。

殘差和擬合值(左上)，殘差和擬合值之間數據點均勻分布在y=0兩側，呈現出隨機的分布，紅色線呈現出一條平穩的曲線并沒有明顯的形狀特征。

殘差QQ圖(右上)，數據點按對角直線排列，趨于一條直線，并被對角直接穿過，直觀上符合正態分布。

標準化殘差平方根和擬合值(左下)，數據點均勻分布在y=0兩側，呈現出隨機的分布，紅色線呈現出一條平穩的曲線并沒有明顯的形狀特征。

標準化殘差和杠桿值(右下)，沒有出現紅色的等高線，則說明數據中沒有特別影響回歸結果的異常點。

結論，沒有明顯的異常點，殘差符合假設條件。

2.5. 模型預測

我們得到了多元線性回歸方程的公式，就可以對數據進行預測了。我們可以用R語言的predict()函數來計算預測值y0和相應的預測區間，并把實際值和預測值一起可視化化展示。

圖例說明：

y, 實際價格，紅色線

fit, 預測價格，綠色線

lwr，預測最低價，藍色線

upr，預測最高價，紫色線

從圖中看出，實際價格y和預測價格fit，在大多數的時候都是很貼近的。我們的一個模型就訓練好了!

3. 模型優化

上文中，我們已經很順利的發現了一個非常不錯的模型。如果要進行模型優化，可以用R語言中update()函數進行模型的調整。我們首先檢查一下每個自變量x1,x2,x3,x4和因變量y之間的關系。

從圖中，我們可以發現x2與Y的關系，可能是最偏離線性的。那么，我們嘗試對多元線性回歸模型進行調整，從原模型中去掉x2變量。

當把自變量x2去掉后，自變量x3的T檢驗反而變大了，同時Adjusted R-squared變小了，所以我們這次調整是有問題的。

如果通過生產和原材料的內在邏輯分析，焦煤與焦炭屬于上下游關系。焦煤是生產焦炭的一種原材料，焦炭是焦煤與其他煉焦煤經過配煤焦化形成的產品，一般生產 1 噸焦炭需要1.33 噸煉焦煤，其中焦煤至少占 30% 。

我們把焦煤 和 焦炭的關系改變一下，增加x1*x2的關系匹配到模型，看看效果。

從結果中發現，增加了x1*x2列后，原來的x1,x2和Intercept的T檢驗都不顯著。繼續調整模型，從模型中去掉x1,x2兩個自變量。

從調整后的結果來看，效果還不錯。不過，也并沒有比最初的模型有所提高。

對于模型調整的過程，如果我們手動調整測試時，一般都會基于業務知識來操作。如果是按照數據指標來計算，我們可以用R語言中提供的逐步回歸的優化方法，通過AIC指標來判斷是否需要參數優化。

通過計算AIC指標，lm1的模型AIC最小時為324.51，每次去掉一個自變量都會讓AIC的值變大，所以我們還是不調整比較好。

對剛才的lm3模型做逐步回歸的模型調整。

通過AIC的判斷，去掉X1*X2項后AIC最小，最后的檢驗結果告訴我們，還是原初的模型是最好的。

4. 案例：黑色系期貨日K線數據驗證

最后，我們用上面5個期貨合約的日K線數據測試一下，找到多元回歸關系。

數據集的基本統計信息。

對于日K線數據，黑色系的5個品種，同樣具有非常強的相關關系，那么我們就可以把這個結論應用到實際的交易中了。

本文通過多元回歸的統計分析方法，介紹多元回歸在金融市場的基本應用。我們通過建立因變量和多個自變量的模型，從而發現生活中更復雜的規律，并建立有效的驗證指標。讓我們的技術優勢，去金融市場搶錢吧。