概率统计(三)资料.pptVIP

上表为所拟合模型的情况简报，显示在模型1中相关系数R为0.966，而决定系数R2为0.934，校正的决定系数为0.927,接近于1，说明拟合的优度比较好. 这是所用模型的检验结果，可以看到这就是一个标准的方差分析表！从上表可见所用的回归模型F值为127.132，P值为0.0000.05，因此我们用的这个回归模型是有统计学意义的。 注：由于这里我们所用的回归模型只有一个自变量，因此模型的检验就等价与系数的检验，在多元回归中这两者是不同的。 上表给出了包括常数项在内的所有系数的检验结果，用的是t检验，同时还会给出标化/未标化系数。可见常数项和含碳量的系数都是有统计学意义的.（ constant 常数项） 由上表可得到回归方程： 见“回归分析（下）.pdf” 多元线性回归分析 例 为了研究香港股市的变化规律，此例以恒生指数为例，建立回归方程，分析影响股票价格趋势变动的因素。这里我们选了7个影响股票价格指数的经济变量： x1(百万$) —成交额, x2—九九金价（$/两), x3—港汇指数， x4—人均生产总值(现价$)， x5—建筑业总开支(现价百万$)， x6—房地产买卖金额(百万$)， x7—优惠利率(最低%)。 y为恒生指数。 一个好的回归模型，并不是考虑的自变量越多越好。在建立回归模型时，选择自变量的基本指导思想是“少而精”。哪怕我们丢掉了一些对因变量y还有些影响的自变量，由选模型估计的保留变量的回归系数的方差，要比由全模型所估计的相应变量的回归系数的方差小。而且，对于所预测的因变量的方差来说也是如此。 下面的分析我们采取逐步回归的方法来做.(Stepwise) 在Dependent中选入y，在Independent中选入变量x1-x7,在Method中选择Stepwise（逐步回归） Statistics选项中选则如下： Durbin-Watson接近2就认为残差之间相互独立. Plots选项选择如下： Options选项选择如下： 点击Continue回到主菜单，再点击OK得到最终结果！结果见分析见“回归分析（下）.pdf” 非线性回归模型“牙膏的销售量”见课本P294. 在Dependent中选入因变量Y，在Model Expression输入模型表达式，再打开Parameters对系数进行初始赋值 返回主菜单，点击OK！得到结果如下： Probability and Statistics Probability and Statistics Probability and Statistics Probability and Statistics 回归分析 回归分析是针对两个或两个以上具有相关关系的变量，研究它们的数量伴随关系，并通过一定的数学表达式将这种关系描述出来，建立回归模型． 回归分析中总假设因变量是随机变量，自变量可以是随机变量也可以是一般变量（可以控制或精确测量的变量） 我们只讨论自变量为一般变量的情况． 为简单起见，以后的所有随机变量及其观测值均用小写字母表示． 如果设随机变量y是因变量，x1，x2，…，xn是影响y的自变量，回归模型的一般形式为： y = f (x1，x2，…，xn) + ε 其中ε为均值为0的正态随机变量，它表示除x1，x2，…，xn之外的随机因素对y的影响． 在回归分析中，当只有一个自变量时，称为一元回归分析；当自变量有两个或两个以上时，称为多元回归分析；f是线性函数时，称线性回归分析，所建回归模型称为线性回归模型；f是非线性函数时，称非线性回归分析，所建回归模型称为非线性回归模型． 线性回归模型的一般形式为： 其中，?0和?i（i = 1，2，…，k）是未知常数，称为回归系数，实际中常假定? ～N(0，?2)． 一元线性回归模型的一般形式为： 由? ～N(0，?2)的假定，容易推出y ～N(?0 + ?1x, ?2) 回归分析的基本思想和方法以及“回归”名称的由来归功于英国统计学家F.高尔顿(1822-1911).他和他的学生、现代统计学奠基者K.皮尔逊在研究父母身高与其子女身高的遗传问题时，观察了1078对夫妇，以每对夫妇的平均身高作为x,而取他们的一个成年儿子的身高为y,将结果在平面直角坐标系上绘成散点图，发现趋势近乎一条直线。计算出的回归直线方程为 结果表明：虽然高个子父辈确实有生高个子儿子的趋势，但父辈身高增加一个单位，儿子身高仅增加半个单位左右，反之，矮个子父辈确实有生矮个子儿子的趋势，但父辈身高减少一个单位，儿子身高仅减少