02一元线性回归方程.pptVIP

用 p 值判断参数的显著性的方法 方法：将给定的显著性水平?与p值比较： ?若p值? ，则在显著性水平?下拒绝原假设H0:?=0, 即认为X对Y有显著影响； ?若p值?? ，则在显著性水平? 下接受原假设H0:?=0， 即认为X对Y没有显著影响； 这一判别规则对于单侧检验和双侧检验都成立！ 置信区间 ?1 ?=2.5% ?2 ?=2.5% 由于： 由大括号内不等式表示置信水平为1-α时?1的置信区间： 得： P { ? t?/2 (n-2) } = 1- ? 同理,可求得 的置信区间为： -t?/2 (n-2) 0 t?/2 (n-2) 受教育年限与每小时工资 n=13 通过置信区间，可以直接对H0：?1=0进行检验吗？ 股票价格与利率 n=20 离差平方和的分解 可决系数 拟合优度：是指回归直线对观测值的拟合程度。显然，若观测值离回归直线近，则拟合优度好，反之，则拟合优度差，度量拟合优度的统计量是可决系数。 拟合优度与可决系数 离差平方和的分解 . . . . . . . . Y X Yi Xi A 0 = + = + 总离差 = 回归差 + 残差 回归差：由样本回归直线解释的部分 残差：不能由样本回归直线解释的部分 可以证明: 证明: = = 由于： = = = = 0 所以： = ＋ 总离差平方和 ＝ 回归平方和 ＋ 残差平方和 TSS = ESS + RSS 可决系数 ＋ = 1 回归平方和在总离差平方和中所占的比重越大，说明样本回归直线对样本值拟合的程度越好。因此，用来表示拟合优度的样本可决系数定义为： R2 = = = = = R2 的取值范围是 [0，1]。 对于一组数据，TSS是不变，所以ESS↑（↓），RSS↓（↑） R2=0时 表明解释变量X与被解释变量Y之间不存在线性关系； R2=1时 表明样本回归线与样本值重合，这种情况极少发生； 一般情况下，R2越接近1表示拟合程度越好，X对Y的解释能力越强。 另外： R2 = = = R2 = = = 相关系数与可决系数的关系 （1）样本相关系数是建立在相关分析的基础之上的，研究的是随机变量之间的关系；可决系数则是建立在回归分析基础上，研究的是非随机变量X对随机变量Y的解释程度。 （2）取值上，可决系数是样本相关系数的平方。 （3）样本相关系数是由随机的X和Y抽样计算得到，因而相关关系是否显著，还需进行检验。 可决系数 相关系数 就模型而言 就两个变量而言 说明解释变量对应变量的解释程度 度量两个变量线性依存程度。 取值：[0,1] 取值：[－1,1] 点预测Yi 区间预测 （1）单个值Yi的区间预测 （2）均值E(Yi)的区间预测 一元线性回归方程的预测 如果经过检验，样本回归方程的拟合优度好，且回归系数的估计值显著不为0，则可以用回归方程进行预测。预测分为点预测和区间预测。 1、点预测 假设XF为解释变量的一个已知点，则带入样本回归方程 即可得到YF的估计值: 2、区间预测 估计值 是一个点预测值，它可以是（1）总体真值YF的预测值；也可以是（2）总体回归线E(YF|XF)的预测值。现在根据 来对（1）（2）进行区间预测。 E(YF|XF) 的预测区间是: （1）条件期望E(Y0|X0)的预测区间 YF的预测区间是: SRF 各种预测值的关系 Y的个别值的置信区间 Y均值的置信区间 利用OLS方法得到一个样本回归模型（一条样本回归线）后，问题结束了吗？ 为什么要用普通最小二乘法？ 样本回归模型有无穷多个，我们仅仅得到其中一个，它能反映真实的总体回归模型吗？ 样本回归模型对数据的拟合程度可以接受吗？ 如何用样本回归模型进行预测？ 问题结束了吗？ ?1 密度函数 假定1：解释变量是非随机的。 假定2: 零期望假定：E(ui) = 0。 E(ui|Xi) = 0。 古典线性回归模型的基本假定 E(Y|Xi) = ?0 + ?1 Xi X Y 0 假定3：同方差性假定：Var(ui) = E[ui - E(ui) ]2 = E(ui2) = ? 2。 X Y 0 X Y 0 同方差 异方差 假定4：无序列相关（无自相关）假定： Cov(ui, uj) = E[(ui - E(ui) ) ( uj - E(uj) )] = E(uiuj) = 0, (i ? j )。