兰州商学院统计学院.pptVIP

证明：利用 ，将 , 表示为： 由于 相互独立，有 3、最优性 三、最小二乘法估计的性质 3、要想使 , 的估计值 , 更稳定，在收集数据时，应考虑x的取值尽可能分散一些，样本量也应尽可能大些。 几点说明： 2、方差的大小表示随机变量取值波动的大小； 1、无偏估计的意义是，如果屡次变更数据，反复求 , 的估计值，这两个估计量没有高估或低估的系统趋向，它们的平均值将趋于 , ； 4、由 表明回归值 是 的无偏估计，也说明 与真实值 的平均值是相同的。 三、最小二乘法估计的性质 1、 3、对固定的 ， 是 的线性组合，且 在实际中应用回归方程进行控制和预测时，给定的 值不能偏离样本均值太大。 总结 2、 注：在 时， 与 不相关，在正态假定下独立；在 时不独立。 四、回归方程的显著性检验 第二节 一元线性回归 检验回归方程是否有意义的问题 检验如下假设 是否为真 注意：在对回归方程进行检验时，通常需要正态假设： 利用统计学的检验理论检验回归模型的可靠性，具体又可以分为拟合优度检验、相关系数检验、模型的显著性检验(F检验)和模型参数的显著性检验(t检验) t 检验是统计推断中常用的一种检验方法，在回归分析中，t 检验用于检验回归系数的显著性。 目的是通过检验回归系数 是否显著的大于0，来判断x，y之 间是否有线性关系。 1、t 检验 构造t统计量 其中 对给定显著性水平 ,通过查t分布表可得双侧检验的临界值 。 当 时，拒绝 ，存在线性关系；当 时，接受 ，因变量y对自变量x的一元线性回归不成立。 1、t 检验 F检验的方法又称方差分析方法，是从因变量观察值的偏差平方和分解入手的，直接从回归效果检验回归方程的显著性，即检验下列假设是否为真： 2、F检验 （1）偏差(变差) (1)因变量的取值是不同的，取值的这种波动称为变差。变差来源于两个方面： ①由于自变量的取值不同造成的， ②除x外的其他因素（如x对y的非线性影响、测量误差等)的影响。 (2)对一个具体的观测值来说，变差的大小可以通过该实际观测值与其均值之差来表示。 y x (2)偏差的分解图示 2、F检验 (3)偏差平方和的分解 2、F检验 (4)F检验 提出假设 ，即线性关系不显著。 根据数理统计理论的证明，有 根据 SSR与SSE的独立性，当 时， 因此，给定显著性水平 下，查F分布表得 ，若 ，则拒绝假设 ，结论是回归方程显著，拟合效果好，样本回归模型的整体线性关系显著。 2、F检验 (5)方差分析表 1 回归 残差 总和 P值 F值 均方和 平方和 自由度 来源 F检验不能通过的可能原因如下: (1)某些对预测对象有影响的重要因素被忽略，未包含在方程； (2)变量x与y之间不是线性关系； (3)变量x与y无关。 2、F检验 3、相关系数的检验 由于一元线性回归方程讨论的是变量x与变量y之间的线性关系，所以我们可以用变量x与y之间的相关系数来检验回归方程的显著性。 -1.0 +1.0 0 -0.5 +0.5 完全正相关 完全负相关 无线性相关 负相关程度增加 r 正相关程度增加 附表1 相关系数ρ=0的临界值表 0.081 0.062 1000 0.449 0.349 30 0.606 0.482 15 0.128 0.098 400 0.456 0.355 29 0.623 0.497 14 0.148 0.113 300 0.463 0.361 28 0.641 0.514 13 0.181 0.138 200 0.470 0.367 27 0.661 0.532 12 0.208 0.159 150 0.478 0.374 26 0.684 0.553 11 0.228 0.174 125 0.487 0.381 25 0.708 0.576 10 0.254 0.195 100 0.496 0.388 24 0.735 0.602 9 0.267 0.205 90 0.505