第九章 相关分析和回归分析.pptVIP

本章要点 1、相关关系与非相关关系的区别 2、相关系数的计算 3、最小二乘法 4、一元线性回归 5、判定系数与回归系数 6、回归方程的检验 7、回归估计与预测 9.1 相关分析概述 9.1.1 相关分析的意义 相关和回归分析是研究事物的相互关系、测定它们联系的紧密程度、揭示其变化的具体形式和规律性的统计方法，是构造各种经济模型、进行结构分析、政策评价、预测和控制的重要工具。 比较下面两种现象间的依存关系 依存关系有两种类型 函数关系 指现象间所具有的严格的确定性的依存关系 相关关系指客观现象间确实存在，但数量上不是严格对应的依存关系 函数关系与相关关系之间并无严格的界限：有函数关系的变量间，由于有测量误差及各种随机因素的干扰，可表现为相关关系；对具有相关关系的变量有深刻了解之后，相关关系有可能转化为或借助函数关系来描述。 现象之间的相互联系，在许多情况下表现为一定的因果关系，将这些现象数量化则成为变量：其中一个或若干个起着影响作用的变量称为自变量，通常用X表示，它是引起另一现象变化的原因，是可以控制、给定的值；而受自变量影响的变量称为因变量，通常用Y表示，它是自变量变化的结果，是不确定的值。 相关表 将现象之间的相互关系，用表格的形式来反映 相关图 又称散点图(Scatter Plot )，用直角坐标系的x轴代表自变量，y轴代表因变量，将两个变量间相对应的变量值用坐标点的形式描绘出来，用以表明相关点分布状况的图形。 Scatter Plot 9.2　一元线性回归分析Simple Linear Regression Analysis 回归分析与相关分析的联系 理论和方法具有一致性； 无相关就无回归，相关程度越高，回归越好； 相关系数和回归系数方向一致，可以互相推算。 回归分析与相关分析的区别 相关分析中x与y对等，回归分析中x与y要确定自变量和因变量； 相关分析中x、y均为随机变量，回归分析中只有y为随机变量； 相关分析测定相关程度和方向，回归分析用回归模型进行预测和控制。 最小二乘法OLS估计的优良性质 残差之和为零 判定系数与相关系数的区别 判定系数无方向性，相关系数则有方向，其方向与样本回归系数 b 相同； 判定系数说明变量值的总离差平方和中可以用回归线来解释的比例，相关系数只说明两变量间关联程度及方向； 相关系数有夸大变量间相关程度的倾向，因而判定系数是更好的度量值。 9.2.3 回归估计标准差 Standard Error of Estimate 是因变量各实际值与其估计值之间的平均差异程度，表明其估计值对各实际值代表性的强弱；其值越小，回归方程的代表性越强，用回归方程估计或预测的结果越准确。 Adjusted R Square调整过的判定系数 9.2.5 回归方程的估计与预测 Estimation and Forecasting 估计的前提：回归方程经过检验，证明 X 和 Y 的关系在统计上是显著相关的。 点估计 对于给定的 X 值，求出 Y 平均值的一个估计值或 Y 的一个个别值的预测值。 区间估计 对于给定的 X 值，求出 Y 的平均值的置信区间或 Y 的一个个别值的预测区间。 平均值的估计区间 利用估计的回归方程，对于自变量 x 的一个给定值 x0 ，求出因变量 y 的平均值的估计区间 ，这一估计区间称为置信区间(confidence interval) E(y0) 在1-?置信水平下的置信区间为 置信区间、预测区间、回归方程 重点习题 11 16 19 23 24 【分析】因为工业总产值与能源消耗量之间存在高度正相关关系（ ），所以可以拟合工业总产值对能源消耗量的线性回归方程。 【例】建立工业总产值对能源消耗量的线性回归方程 解：设线性回归方程为 即线性回归方程为： 计算结果表明，在其他条件不变时，能源消耗量每增加一个单位（十万吨），工业总产值将增加0.7961个单位（亿元）。 所拟合直线通过样本散点图的重心 误差项与解释变量不相关 a与b分别是总体回归系数的无偏估计量 a与b均为服从正态分布的随机变量 一元线性回归模型的假定 Regression Assumption r＞0 r＜0 r=0 b＞0 b＜0 b=0 b与r的关系 判定系数与相关系数的关系 一般的规律是：自由度=n-待估参数的个数 在大样本条件下，可用公式计算： 【例】计算前面拟合的工业总产值对能源消耗量回归方程的回归标准差 残差平方和 解释 平方和 总离差平方和 总离差平方和Total Deviation Sum of Squares 解释平方和Explained Sum of Squares 残差平方和Residual Sum of S