第8章相关和回归分析(8.1-8.2).ppt

第8章 相关与回归分析 主要章节 相关与回归的基本概念 一元线性相关与回归分析 多元线性相关与回归分析 非线性相关分析与非线性回归分析 一、相关与回归分析 相关与回归分析的基本概念 客观现象之间的数量联系存在两种类型： 函数关系 确定性 相关关系 不确定性但规律性 二者可以相互转化 函数关系存在观测误差时，往往以相关形式表现出来。 相关关系的种类 相关程度 完全相关，不完全相关、不相关 相关方向 正相关 负相关 相关形式 线性相关 非线性相关 变量多少 单相关 复相关 偏相关 相关性质 真实相关 虚拟相关 相关分析与回归分析 研究现象相关关系的基本方法 相关分析：研究现象间相互依存关系的密切程度 回归分析： 用合适的数学模型来近似的表达变量间的平均变化关系，是一种因果分析。广义的回归分析包括相关分析。 要以正确的理论指导，定性的基础上 相关表和相关图 相关表：是一种反映变量之间相关关系的统计表 相关图：散点图 二、相关系数 1．相关系数的定义 2．相关系数的计算 3．根据相关系数初步判定变量之间的关系 4．简单相关系数的缺陷 1．相关系数的定义 2根据相关系数初步判定变量之间的关系 （1）根据相关系数的符号，判定正相关（正比例）、负相关（反比例） （2）根据相关系数的大小，判定： 1、0.3原则与0.7原则 （0.3的平方=0.1,0.7的平方=0.5） 2、0.4~0.7低度相关 3、0.8以上高度相关 注意，相关系数存在假象。 正相关（我国人均消费函数） Y为我国人均消费 X为我国人均国民收入 相关系数：0.98 负相关 Y与X的相关系数： -0.92 不相关（不排除存在曲线相关） 相关系数为： 4.24E-18 4．简单相关系数的缺陷 （1）裹胁了其它变量的影响 （2）只能度量两个变量之间呈线性相关——比例变化的关系 （3）复相关系数 （1）裹胁了其它变量的影响 大千世界中复杂的、多种因素存在相互关联。为了描述其间的关联，这里定义的相关系数虽然比协方差指标优越，但是仍然存在不足之处：它裹胁了其它变量的影响或者它们之间的关系乃是其它变量的变化所致，再或者其间存在非线性的相关关系。 要剔除其它变量的影响，只研究指定两个变量的影响，必须再定义偏相关系数——令其它变量保持不变，此时这两个变量的相关系数，称为偏相关系数。 （2）只能度量两个变量之间呈线性（比例）相关的关系 对变量之间存在的曲线相关关系无能为力。所以称为简单相关系数。 可以采用灰色系统理论中的关联度来度量非线性相关关系的程度。 （3）复相关系数 度量不止两个，更多个变量之间的线性相关关系，简单相关系数也无能为力，需要定义复相关系数。 例如，在Y=f(x1,?,xn)+e中，度量Y与x1, ?,xn之间的线性相关系数，就是复相关系数。复相关系数乃是多元回归方程中判定系数（决定系数）的平方根。 三、回归关系与回归模型 1.回归模型 确定关系 （函数关系） 相关关系 (随机关系) 因果关系 随机项μ的构成 模型中省略的变量 随机因素 测量误差 确定数学模型形式的误差 2.线性回归模型 模型的基本形式 Y = β0+β1X1+β2X2+β3X3+………+βiXi+μi 基本假设 解释变量 Xi 是确定性变量，不是随机变量；解释变量之间互不相关； 随机误差项具有0均值和同方差； 随机误差项不存在序列相关关系； 随机误差项与解释变量之间不相关； 随机误差项服从0均值、同方差的正态分布。 3.一元线形回归模型 只含有一个解释变量的线形回归模型 满足基本假设： 1 E（μi）= 0 2 Var （μi） = σ2μ 3 Cov （μi，μJ）= 0 4 Cov （Xi，μi）= 0 i = 1，2，3，……,n ； j= 1，2，3，……,n i≠j 异方差 序列自相关 协方差 一元线性回归模型 1. 一元线性回归模型的一般形式 2.一元线性回归模型的参数估计 3.一元线性回归模型的检验 4. 应用 一元线性回归模型的一般形式 总体回归函数(PRF) 要求估计： （1）模型结构参数——?0和?1 （2）模型分布参数——?2 样本回归函数(SRF) 误差项的基本假定 散点图 变量Y与变量X的散点图 (2)回归线 一元线性回归模型的参数估计 一、普通最小二乘法OLS 二、最大似然法ML（介绍） 三、参数估计量的性质 四、实例