第08章 相关与回归分析.pptVIP

本章学习目标 通过本章的学习，你应该能够: 理解和掌握相关分析和回归分析的原理 估计一元线性回归模型，并对模型进行检验 利用计算机软件估计多元线性回归模型，并对模型进行检验 了解几种常见的非线性函数，并对它们进行线性化变换； 计算样本相关系数，并能对相关系数进行显著性检验 相关系数 总体相关系数（ population correlation coefficient） ρ 是反映两变量之间线性相关程度的一种特征值，表现为一个常数。 样本相关系数（ sample correlation coefficient） r 是 总体相关系数的一致估计量，是根据样本观测值计算的，反映样本观测值线性相关程度的指标。 样本相关系数 样本相关系数计算的例子 样本相关系数计算的例子 Excel 输出结果 相关系数的特点 r的取值在-1与1之间； 当ｒ＝０时，Ｘ与Ｙ的样本观测值之间没有线性关系； 在大多数情况下，０＜｜ｒ｜＜１，即Ｘ与Ｙ的样本观测值之间存在着一定的线性关系，当ｒ＞０时，Ｘ与Ｙ为正相关，当ｒ＜０时，Ｘ与Ｙ为负相关。 如果｜ｒ｜＝１，则表明Ｘ与Ｙ完全线性相关，当ｒ＝１时，称为完全正相关，而ｒ＝－１时，称为完全负相关。 ｒ是对变量之间线性相关关系的度量。ｒ＝０只是表明两个变量之间不存在线性关系，但它并不意味着Ｘ与Ｙ之间不存在其他类型的关系。 相关系数的图示 单相关系数的显著性检验 假设 H0: ρ = 0 (无线性相关关系) H1: ρ ≠ 0 (确实存在线性相关关系) 检验统计量 (自由度为 n – 2 ） 单相关系数的显著性检验 单相关系数的显著性检验 回归分析 Regression Analysis 回归分析 研究一个变量如何随着其他变量的变化而变化； 用一个称为回归模型的数学方程来描述因变量与自变量之间的变化关系，再通过控制或给定自变量的数值来估计或预测因变量可能的数值。 被解释变量、因变量（Dependent variable）:被视为随着自变量而变化的变量，是我们想要加以解释的变量。 解释变量、自变量（Independent variable）:被视为主动变化的变量 ，用于解释被解释变量。 一元（简单）线性回归模型 只有一个自变量, X X 和 Y 的关系用线性函数来描述 Y 的变化被认为是由于 X 的变化引起的 总体回归函数（模型） 总体回归线与随机误差项 样本回归线和样本回归模型 误差项的标准假定 假定1：误差项的期望值等于0，即对所有的t总有E(ut)=0 假定2：误差项的方差为常数，即对所有的t总有Var(ut)=E(ut2)= 假定3：误差项之间不存在序列相关关系，其协方差为零； 假定4：自变量是给定的变量，与随机误差项线性无关； 假定5：随机误差项服从正态分布； 最小二乘估计 在根据样本数据确定样本回归方程时，总是希望 y 的估计值 尽可能地接近其实际观测值，即残差 et 的总量越小越好。由于 et 有正有负，简单的代数和会相互抵消，因此为了数学上便于处理，我们采用残差平方和作为衡量总偏差的尺度。 所谓最小二乘法，就是根据这一思路，通过使残差平方和最小来估计回归系数的方法。 最小二乘估计 最小二乘估计量 求解正规方程组，可得: 最小二乘估计量的性质 最小二乘估计量是随着样本的不同而不同的随机变量； 在满足标准假定的情况下，回归参数的最小二乘估计量是无偏的，即 最小二乘估计量是因变量 Y 的线性组合； 数学上还可以证明，在所有的线性无偏估计中，回归系数的最小二乘估计量的方差最小，同时随着样本容量的增大，其方差会不断缩小； 综上所述，在标准的假定条件下，最小二乘估计量是最佳线性无偏估计量和一致估计量。 最小二乘估计量的解释 是当 x 等于 0 时 y 的平均估计值； 是 x 每变化一个单位，因变量 y 平均变化的量。 一元线性回归模型的例子 一家房地产公司的经理想知道该公司住房的售价和住房面积（单位：平方尺） 之间的关系。 为此他抽取了一个包含10套住房的随机样本。 因变量 (y) = 住房的售价 （单位：$1000） 自变量 (x) = 住房的面积 （单位：平方尺） 住房价格例子的样本数据 回归系数的估计 用 Excel 进行回归分析 工具 / 数据分析 / 回归 Excel 输出结果 回归分析的图示 住房价格模型：散点图和样本回归线 回归截距估计值的解释 是当 x 等于 0 时 y 的平均估计值 在这个例子中，没有房子的面积会等于0，所以98.24833仅仅意味着在所观测的样本范围内，住房售价中有$98,248.33 不能用住房的面积来加以解释。 回归斜率估计值的解释 是 x 每变化