我国非寿险公司偿付能力监管指标的有效性分析(2)
2017-06-02 01:11
导读：在排除变量之间存在严重的多重共线性后，本文采用ENTER(全回归方式)将变量进入回归方程，回归结果见表4-6。 表5是观测量分类表，分类精度为100％，说明
在排除变量之间存在严重的多重共线性后，本文采用ENTER(全回归方式)将变量进入回归方程，回归结果见表4-6。
表5是观测量分类表，分类精度为100％，说明方程的识别率比较高。但是否10个自变量对因变量的识别率都比较高呢?表6给出的回归系数Wald检验值很小，很难拒绝虚无假设，并不能说明白变量的作用，必须比较包括每个变量的模型与不包括这个变量的模型，用对数似然值的变化进行检验。
为了显示每个自变量的作用，本文再一次检验不包括各个自变量对数似然值的变化情况，使两组自变量依次纳入回归模型。其中，前一组就是原来的10个自变量，采用ENTER方式进入模型；后一组是各个自变量，采用Forward：conditional方式(前进法)将各个自变量分别带入模型，其目的是将第一组中没有解释作用的自变量剔除。本文一共进行了10次回归，结果显示：在模型嵌套的回归方式中，自变量X1、X4、X5、X6和X8都从最终回归系数表中一一被自动剔除了；而如果将X2、X3、X7、X9和X10这5个自变量剔除，则对数似然值都会发生较大的变化(见表7)，说明在这10个自变量中，X2、X3、X7、X9和X10对模型的分类结果具有显著意义，不能被剔除。
共2页: 1 [2] 下一页 论文出处(作者):
中国保险业中长期增长潜力分析
车损险保险金额现行确定方式的缺陷与改造
