新实用统计 教学课件 樊培茗9 9.pptVIP

第九章 相关和回归分析法 能力要求 理解相关关系；相关系数的概念 了解回归分析的概念 掌握相关分析和回归分析的方法 运用相关分析和回归分析的方法解决实际问题 会使用Excel进行相关和回归分析 引入案例Ⅰ：销售数据分析 某销售公司在各大城市都有分销公司，公司采用的是经销商的销售方式。公司统计了2005年各大城市的人数、公司在该城市的经销商的个数以及销售量的数值，基本数据如图所示。 数据是经过销售公司分析以后简化的结果，因为公司认为，城市人口和公司在该城市的经销商数是影响销售总额的最主要的因素，而其他可能相关的因素，如城市人口收入、销售水平和产品在该城市的推广程度等都没有考虑进来。请你对人口及销售商数与销售总额的关系进行分析，并且给出关系方程，检验方程的合理性及其预测不同人口下的销售额。 变量间的关系（相关关系） 相关关系的类型 相关关系的图示 相关关系的测度 ? 样本相关系数的计算公式 相关关系的测度（相关系数取值及其意义） r 的取值范围是 [-1,1] |r|=1，为完全相关 r =1，为完全正相关 r =-1，为完全负正相关 r = 0，不存在线性相关关系相关 -1?r0，为负相关 0r?1，为正相关 |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 相关关系的测度 相关关系的测度 相关关系的测度（EXCEL函数CORREL） 解：根据样本相关系数的计算公式有 人均国民收入与人均消费金额之间的相关系 数为 0.9987 趋向中间高度的回归 回归regress这个术语是由英国著名统计学家Francis Galton在19世纪末期研究孩子及他们的父母的身高时提出来的。Galton发现身材高的父母，他们的孩子也高。但这些孩子平均起来并不像他们的父母那样高。对于比较矮的父母情形也类似：他们的孩子比较矮，但这些孩子的平均身高要比他们的父母的平均身高高。 Galton把这种孩子的身高向中间值靠近的趋势称之为一种回归效应，而他发展的研究两个数值变量的方法称为回归分析。 回归模型的类型 回归模型与回归方程 回归模型 一元线性回归模型（基本假定） 误差项ε是一个期望值为0的随机变量，即E(ε)=0。对于一个给定的 x 值，y 的期望值为E ( y ) =? 0+ ? 1 x 对于所有的 x 值，ε的方差σ2 都相同 误差项ε是一个服从正态分布的随机变量，且相互独立。即ε~N( 0 ,σ2 ) 独立性意味着对于一个特定的 x 值，它所对应的ε与其他 x 值所对应的ε不相关 对于一个特定的 x 值，它所对应的 y 值与其他 x 所对应的 y 值也不相关 估计(经验)的回归方程 参数 ?0 和 ?1 的最小二乘估计 最小二乘法 （概念要点） 最小二乘法（图示） 最小二乘法 （ 和 的计算公式） 估计方程的求法（实例） 【例】根据例10.1中的数据，配合人均消费金额对人均国民收入的回归方程 根据 和 的求解公式得 估计(经验)方程 人均消费金额对人均国民收入的回归方程为 估计方程的求法（Excel的输出结果） 回归方程的显著性检验 离差平方和的分解 （三个平方和的关系） 2. 两端平方后求和有 离差平方和的分解 （三个平方和的意义） 总平方和(SST) 反映因变量的 n 个观察值与其均值的总离差 回归平方和(SSR) 反映自变量 x 的变化对因变量 y 取值变化的影响，或者说，是由于 x 与 y 之间的线性关系引起的 y 的取值变化，也称为可解释的平方和 残差平方和(SSE) 反映除 x 以外的其他因素对 y 取值的影响，也称为不可解释的平方和或剩余平方和 样本决定系数 （判定系数 r2 ） 回归平方和占总离差平方和的比例 回归方程的显著性检验 （检验的步骤） 提出假设 H0：线性关系不显著 回归方程的显著性检验 （方差分析表） 回归系数的显著性检验 （步骤） 提出假设 H0: b1 = 0 (没有线性关系) H1: b1 ? 0 (有线性关系) 计算检验的统计量 回归系数的显著性检验 提出假设 H0：b1 = 0 人均收入与人均消费之间无线性关系 H1：b1 ? 0 人均收入与人均消费之间有线性关系 计算检验的统计量 回归系数的显著性检验(Excel输出的结果） 多元线性回归模型 多元线性回归模型 （概念要点） 描述因变量 y 如何依赖于自变量 x1 ， x2 ，…， xp 和误差项 ? 的方程称为多元线性回归模型 涉及 p 个自变量的多元线性回归模型可表示为 多元线性回归模型（基本假定） 自变量 x1，x2，…，xp是确定性变量，不是随机变量 随机误差项ε的期望值为0，且