一元线性回归方程.pptVIP

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 )。 无自相关 正自相关 负自相关 假定5：ui服从正态分布, ui ~N(0,?2) 假定6*：解释变量X与随机误差项u不相关 Cov(ui, Xi) = E[(ui - E(ui) ) (Xi - E(Xi) )] = E(ui Xi) = 0 如果X为确定性变量，该假定自然满足 假定7*：回归模型是关于参数线性的，但不一定关于变量线性。 其他一些假定的说明： OLS估计量的性质 高斯-马尔可夫定理 如果满足古典线性回归模型的基本假定（假定1-假定4），则在所有的线性估计量中，OLS估计量是最优线性无偏估计量（BLUE）。 线性性 无偏性 有效性 都是Yi的线性函数。 证明： = = = 令 代入上式，得： = 线性性 线性估计量的处理要比非线性估计量更为容易 证明： = = = = = = 无偏性 =?1 ??1 无偏估计量 有偏估计量 OLS估计量的方差比其他线性无偏估计量的方差都小。 最小方差性与有效性 ?1 一致性（了解） ?1 概率密度 OLS估计量的方差 为什么要估计方差？ 方差反映了数据的离散程度和估计结果的精确性。 受教育年限与每小时工资 ?1 总体（随机误差项）真实方差?2的估计量： ?2的估计 受教育年限与每小时工资 OLS