8-ch6 一元线性回归.pptVIP

6.1 随机关系 —函数关系 （Deterministic Relationship） Y= f (X) 每一个 X 值都唯一地对应一个 Y值. — 随机关系（ Stochastic Relationship） 当 X 的值给定时， Y 的取值服从一个分布 函 数 关 系 例1: 一台计算机售价为960美元。 X — 计算机的销售量 Y — 总销售收入 Y=960X 例2：租车固定费用为100美元。每行驶一公里收费0.2美元。 (2) X — 行驶公里数 Y — 租用车辆的费用 Y= 100 + 0.20X 随 机 关 系 随机关系（ Stochastic Relationship）: 例: 钢材消费量与国民收入 Y —钢材消费量（万吨） X —国民收入（亿元） 问题：如何测量X与Y的相关性大小？ 6.2 相关系数（The Correlation Coefficient） Pearson 相关系数: r(x,y) 记 r(x, y) 的性质 (1) -1? r ? 1 (2) 0 r ? 1: 正线性相关 (3) -1? r 0: 负线性相关 (4) r = 0: 线性无关 (5) r =1: 完全正线性相关 (6) r= -1:完全负线性相关 总体相关系数 1. 总体方差 2.总体协方差 3. 总体相关系数 关于总体相关系数的假设检验 H0: ? = 0 H1: ? ? 0 检验统计量: 例题： X — 钻井深度 Y — 钻井费用 n=6, r(x,y)=0.953 H0: ? = 0 H1: ? 0 (右尾检验) Spearman秩相关系数（非参数统计方法） 注意：样本相关系数只能测量两个随机变量之间是否存在线性相关关系！ 问题：如何测量非线性相关关系? xi 1, 2, 3, 4, 5, 6, 7, 8, 9, 10 yi 12, 22, 32, 42, 52, 62, 72, 82, 92, 102 计算： 显然，l 的取值范围为 [0，1] 两组秩完全一致 两组秩完全相反 (4)定义Spearman秩相关系数 当 l = 0: R=1 (正相关） 当 l = 1: R= ?1 (负相关） 一般认为： 为相关程度比较高。 6.3 一元线性回归模型 ( Simple Linear Regression Model) 回归模型: 研究因变量与自变量之间的因果关系 Y—因变量（dependent variable） Xj —自变量（independent variable） 例: 总体参数 : ?0 , ?1, …, ?p 随机误差 : ? 一元线性回归模型  基本假设(basic assumptions ): 一元线性回归分析的问题 假设对于总体数据: 希望估计总体参数: ?0 , ?1 从总体中抽取容量为 n 的样本: 估计量: 一元回归线: 6.4最小二乘方法（Method of Least Squares ） 一元回归线: 残差平方和: SSE(Sum of Squares for Error) 解： 正规方程（The normal equations） Gauss-Markov 定理 如果基本假设成立 最小二乘估计量b0 、b1是总体参数 ?0 、?1的线性最小方差无偏估计量。 例题:yi — 股票价格 ($) xi — 股息 ($)  股票 股息 ($) 股价($) i xi yi 1 13 115 2 4 45 3 12 100 4 5 50 5 6 55 6 8 85 7 3 40 8 4 50 9 5 45 10 7 70 解： y — 股价 x — 股息 计算结果为: b1=7.5072, b0