2一元线性回归.pptVIP

第2章 一元线性回归 信计学院统计系 沈菊红 第2章 一元线性回归 2.1 变量间关系的度量 2.2 一元线性回归模型 2.3 残差分析 2.4 回归系数的区间估计 2.5 预测和控制 学习目标 1. 相关系数的分析方法 2. 一元线性回归的基本原理和参数的最小二乘估计 3. 回归直线的拟合优度 4. 回归方程的显著性检验 5. 利用回归方程进行估计和预测 6. 用 Excel 进行回归 2.1 变量间关系的度量 ● 一元线性回归是描述两个变量之间统计关系(相关关系)的最简单的回归模型 相关关系 (类型) 相关关系的描述与测度散点图(scatter diagram) 散点图 (例题分析) 【例】一家大型商业银行在多个地区设有分行，其 业务主要是进行基础设施建设、国家重点项目建设 固定资产投资等项目的贷款。近年来，该银行的贷 款额平稳增长，但不良贷款额也有较大比例的增长， 这给银行业务的发展带来较大压力。为弄清楚不良 贷款形成的原因，希望利用银行业务的有关数据做 些定量分析，以便找出控制不良贷款的办法。下面 是该银行所属的25家分行2002年的有关业务数据 散点图(例题分析) 散点图(例题分析) 相关关系的描述与测度相关系数(correlation coefficient) 1. 对变量之间关系密切程度的度量 2. 对两个变量之间线性相关程度的度量称为简单相关系数 3. 若相关系数是根据总体全部数据计算的，称为总体相关系数，记为? 4. 若是根据样本数据计算的，则称为样本相关系数，记为 r 相关系数 (计算公式) ◆ 样本相关系数的计算公式 相关系数(取值及其意义) 1. r 的取值范围是 [-1,1] 2. |r|=1，为完全相关 ■ r =1，为完全正相关 ■ r =-1，为完全负正相关 3. r = 0，不存在线性相关关系 4. -1r0，为负相关 5. 0r1，为正相关 6. |r|越趋于1表示关系越密切；|r|越趋于0表示 关系越不密切 相关系数 (取值及其意义) 相关系数 (例题分析) ?用Excel计算相关系数 相关系数的显著性检验( r 的抽样分布) 1. r 的抽样分布随总体相关系数和样本容量的大小而变化 ■ 当样本数据来自正态总体时，随着n的增大，r 的抽样分布趋于正态分布，尤其是在总体相关系数?很小或接近0时，趋于正态分布的趋势非常明显 ■ 而当?远离0时，除非n非常大，否则r的抽样分布呈现一定的偏态。 2. 当?为较大的正值时，r 呈现左偏分布；当?为较小的负值时，r 呈现右偏分布。只有当?接近于0，而样本容量n很大时，才能认为r是接近于正态分布的随机变量 相关系数的显著性检验(例题分析) ◆ 对不良贷款与贷款余额之间的相关系数进行显著性检(??0.05) 1 提出假设：H0：r ? ? ；H1： r ? 0 2. 计算检验的统计量 回归模型的类型 一元线性回归 涉及一个自变量的回归 因变量y与自变量x之间为线性关系 被预测或被解释的变量称为因变量(dependent variable)，用y表示 用来预测或用来解释因变量的一个或多个变量称为自变量(independent variable)，用x表示 因变量与自变量之间的关系用一个线性方程来表示 回归模型 (regression model) 回答“变量之间是什么样的关系？” 方程中运用 数值型的因变量(响应变量) 被预测的变量 1 个或多个数值型的或分类的自变量 (解释变量) 用于预测的变量 3. 主要用于预测和估计 一元线性回归模型 描述因变量 y 如何依赖于自变量 x 和误差项? 的方程称为回归模型 一元线性回归模型可表示为 y = b0 + b1 x + e (2.1) y 是 x 的线性函数(部分)加上误差项 线性部分反映了由于 x 的变化而引起的 y 的变化 误差项 ? 是随机变量 反映了除 x 和 y 之间的线性关系之外的随机因素对 y 的影响 是不能由 x 和 y 之间的线性关系所解释的变异性 ?0 和 ?1 称为模型的参数 回归方程 (regression equation) 描述 y 的平均值或期望值如何依赖于 x 的方程称为回归方程 一元线性回归方程的形式如下 E( y ) = ?0+ ?1 x 估计的回归方程(estimated regression equation) 参数的最小二乘估计 最小二乘估计(图示) 估计方程的求法(例题分析) 【例】求不良贷款对贷款余额的回