统计学教学课件.pptVIP

统计学 郭信霖 许淑卿 第十二章　　相关与简单线性 回归分析 ■ 12-1 散布图与变量间的关系 ■ 12-2 相关分析与Spearman ■ 12-3 线性回归模型 ■ 12-4 残差分析与线性转换 ■ 12-5 计算机范例 ■ 12-6 流程图 12-1 散布图与变量间的关系 散布图（scatter diagram）： 变量之间存在三种关系： 1. 函数关系 2. 统计独立 3. 统计关系 研究两变量或两变量以上的相关关系，方法有二： 相关分析（correlation analysis） 回归分析（regression analysis） 12-2 相关分析与Spearman相关 系数 相关分析：为衡量两随机变量之间关系的方法。 相关系数（correlation coefficient）：用以衡量两随机变量间之直线关系程度的大小与方向的量数谓之。 一、共变异数 ?XY = Cov(X, Y) = E[(X - ?X)(Y - ?Y)] = E(XY) - ?X ?Y 其性质如下： 1. Cov(X, Y) = Cov(Y, X ) 2. Cov(aX + b, cY + d) = acCov(X, Y)，a，b，c，d为常数 3. 若X Y，则Cov(X, Y) = 0；反之，未必成立。 Cov(X, X) = Var(X) = ? Cov(b, cY) = 0 二、相关系数 1. 母体相关系数 ?XY = 　= 　= E ?XY称为两随机变量X，Y的母体相关系数，其数值范围为 - 1 ? ?XY ? 1。 (1)? XY = 0表示两随机变量X与Y没有直线关系。 (2)? XY 0表示两随机变量X与Y间有正向的直线关系。 (3)? XY = 1表示两随机变量X与Y完全正相关、斜率为正的直线关系。 (4)? XY 0表示两随机变量X与Y间有负向的直线关系。 (5)? XY = - 1表示两随机变量X与Y完全负相关，斜率为负的直线关系。 2. 样本相关系数 rXY = = = = = 其中xi = Xi - ，yi = Yi -　　 SXY = 为样本共变异数　　 S = ，S = 样本相关系数rXY，又称为Pearson积差相关系数（Pearson product-moment correlation coefficient）。 (1) r = 0时，表示X与Y为零相关，没有直线关系。 (2) | r | ? 0.3，表示X与Y为低度相关。 (3) 0.3 | r | ? 0.7时，表示X与Y为中度相关。 (4) 0.7 | r | 1时，表示X与Y为高度相关。 (5) | r | = 1时，表示X与Y之各相关点完全落在一条直线 上，为完全直线关系（指完全正相关或完全负相 关）。 3. 相关系数之统计推论 判断两个变量之间是否存在有线性关系的方法有三： 一为利用相关系数的检定。 另外两种方法为利用线性回归分析中回归系数的推论。 讨论两个变量间是否有显著相关的检定： (1)当?XY = 0时，rXY的抽样分配与t分配、F分配有关，即 T = = r ～ t(n - 2) 或F = T 2 = ～ F(1, n - 2) 检定两变量间是否有显著相关( ?XY = 0 )的步骤： (1)假设： H0：?XY = 0 ， H1：?XY ? 0 (2)统计量： T = 或 F = (3)拒绝H0区域： CR = { | T | t?/2( n - 2 ) }或CR = { F F?( 1, n - 2 ) } (4)计算统计量的值与结论： 若T0 ? CR或F0 ? CR，则拒绝H0；否则，不能拒绝H0。 假若单尾假设检定，只能利用t分配检定，不可用F分配检定。 (2)当?XY ? 0时，rXY的抽样分配能利用Fisher转换统计量 Zr之抽样分配为近似常态分配来处理。 Zr = ln ～N ln ,  检定? XY = ?0 ? 0之步骤： (1)假设： H0：? XY = ?0 ? 0，H1： ??0 (2)统计量： Z = ～N( 0, 1 ) (3)拒绝H0区域： CR = { | Z | z?/2 } (4)计算统计量的值与结论 若Z0?CR，则拒绝H0；否则，不能拒绝H0。 三、Sp