第六章回归分析解析.ppt

第八章回 归 分 析 “回归”最早由英国生物学家高尔顿提出。他在对人体遗传特征的实验研究中发现，父母的身高与子女的身高有一定的关系，高的父母其子女也高，但平均来看，却不如他们的父母高；矮的父母其子女也矮，但平均来看，也不如他们的父母矮。他把这种遗传身高趋向于平均的现象称为“回归”，并作为统计概念加以应用，现如今统计学中“回归”的概念已经扩展了，主要是指变量之间的依存关系。 回归分析和相关分析都是对客观事物数量依存关系的分析，在理论和方法上具有一致性。只有存在相关关系的变量才能进行回归分析，相关程度越高，回归测定的结果越可靠。但是回归分析和相关分析也存在区别， 回归分析与相关分析的区别 相关分析中，变量 x 变量 y 处于平等的地位；回归分析中，变量 y 称为因变量，处在被解释的地位，x 称为自变量，用于预测因变量的变化 相关分析中所涉及的变量 x 和 y 都是随机变量；回归分析中，因变量 y 是随机变量，自变量 x 可以是随机变量，也可以是非随机的确定变量 相关分析主要是描述两个变量之间线性关系的密切程度；回归分析不仅可以揭示变量 x 对变量 y 的影响大小，还可以由回归方程进行预测和控制 回归模型的类型 第一节 线性回归分析原理介绍 对于具有线性关系的多个变量，可以用一条线性方程来表示它们之间的关系 y = b0 + b1 x 一元回归方程 二、 判定系数 r2 回归平方和占总离差平方和的比例 三、回归方程的F检验 F检验是用来考察模型中回归变量X1，X2，…，XP是否对变量Y起到解释作用，即 若原假设H0成立，则说明Y没有受到这些变量中任何一个影响，此时，回归方程就没有意义。 构造F检验统计量 r2为回归方程的判定系数。在H0成立的条件下，统计量F服从自由度为（p,n-p-1）的F分布，对于给定的显著性水平，查临界值如果则拒绝原假设H0，认为回归方程显著. 四、回归系数的t检验 对于多元线性回归，回归方程通过了显著性检验，只说明Y与回归变量（X1，X2，…，XP）”整体上”线性相关关系显著，并不能说明每一个回归变量与Y都是线性相关关系，为此还要对每个回归系数进行显著性检验，也就是说，在多元回归分析中F检验和T检验不是等价的，二者的作用是不同，所以，二者缺一不可。建立假设 H0: H1: 在H0成立的条件下，使用t检验统计量 对给定的显著性水平，查临界值，若 则拒绝原假设H0，即认为回归变量Xi 线性显著。 例：SY-9数据文件，通过回归分析，找出合适的线性回归方程。 1、打开数据文件，单击Analyze ? Regression ? Linear打开Linear 对话框如图所示。 在左上角的源变量框中，选择Dependent 进入X（或Y）轴变量框，选择其它变量进入Y（或X）轴变量框，除因变量外，其客观存在变量依次是：ZPRED:标准化预测值，ZRESID:标准化残差，DRESID:剔除残差，ADJPRED:修正后预测值，SRESID学生化残差，SDRESID:学生化剔除残差。 Stepping Method Criteria 栏，设置变量引入或剔除模型的判别标准。 Use probability of F:采用F检验的概率为判别依据。 Use F value: 采用F值作为检验标准。 Include constant in equation 回归方程中包括常数项。 Missing Values 缺失值的处理方式。本例中选择系统默认项。 1．判断文件六中“企业固定资产原值”与“增加值”的相关关系，若相关请拟合一元直线回归方程，并对结果进行分析说明。 2．判断文件八中“居民可支配收入”与“消费性支出”的相关关系，若相关请拟合一元直线回归方程，并对结果进行分析说明。 3．在文件九中以“人均娱乐教育文化服务支出”为因变量进行多元线性回归分析，并对结果进行分析说明。 4．在文件十中以“满意度”为因变量进行多元线性回归分析，并对结果进行分析说明。 5．在文件十一中以“财政收入”为因变量进行多元线性回归分析，并对结果进行分析说明。 * * 回归模型 非线性回归 线性回归 一元回归 多元回归 一元回归 多元回归 多元回归方程 简化矩阵形式 最小二乘法 反映回归直线的拟合程度 取值范围在 [ 0 , 1 ] 之间 r2 ?1，说明回归方程拟合的越好；r2?0，说明回归方程拟合的越差 判定系数等于相关系数的平方，即r2＝(r)2 一元线性回归的操作步骤 选择回归分析方法，有强行进入法(Enter)，消去法(Remove)，向前选择法(Forward)，向后剔除法(Backward)及逐步回归法(Stepwise) 选入一个筛选变量，利用右侧的RULE按钮建立一个筛选