6(新).tmp.pptVIP

讨论问题：影响城市公交规模的因素 回归是研究自变量与因变量之间的关系形式的分析方法。 一、回归分析的提出 　 回归分析起源于生物学研究，是由英国生物学家兼统计学家高尔登（Francis Galton 1822-1911）在19世纪末叶研究遗传学特性时首先提出来的。 　 高尔登在1889年发表的著作《自然的遗传》中，提出了回归分析方法以后，很快就应用到经济领域中来，而且这一名词也一直为生物学和统计学所沿用。 二、回归分析和相关分析 函数关系 　　　函数关系反映客观事物之间存在着严格的依存关系。在这种关系中，当一个或几个变量取值一定时，另一个变量有确定的值与之相对应，并且这种关系可以用一个确定的数学表达式反映出来。 一般把作为影响因素的变量称为自变量，把发生对应变化的变量称为因变量。 相关关系 　　相关关系反映的是客观事物之间的非严格、不确定的线性依存关系。这种线性依存关系有两个显著的特点： ①客观事物之间在数量上确实存在一定的内在联系。表现在一个变量发生数量上的变化，要影响另一个变量也相应地发生数量上的变化。 ②客观事物之间的数量依存关系不是确定的，具有一定的随机性。表现在当一个或几个相互联系的变量取一定数值时，与之对应的另一个变量可以取若干个不同的数值。这种关系虽然不确定，但因变量总是遵循一定规律围绕这些数值的平均数上下波动。 回归分析与相关分析的关系 相关分析 相关分析是研究两个或两个以上随机变量之间线性依存关系的紧密程度。通常用相关系数表示，多元相关时用复相关系数表示。 回归分析 回归分析是研究某一随机变量（因变量）与另外一个或几个普通变量（自变量）之间的数量变动的关系。由回归分析求出的关系式，称为回归模型。 三、回归模型的种类 （4）相关系数的显著性检验 用t检验法，基本步骤为： 第二节 一元线性回归模型 第二节 一元线性回归模型 第二节 一元线性回归模型 设x为自变量， y为因变量，y与x之间存在某种线性关系，即一元线性回归模型为 第二节 一元线性回归模型 第二节 一元线性回归模型 第二节 一元线性回归模型 第二节 一元线性回归模型 第二节 一元线性回归模型 第二节 一元线性回归模型 第二节 一元线性回归模型 （二）可决系数R2 第二节 一元线性回归模型 第二节 一元线性回归模型 第二节 一元线性回归模型 第二节 一元线性回归模型 八、预测区间 点估计 在一元线性回归模型中，对于自变量x的一个给定值，代入回归模型，就可以求得一个对应的回归预测值，又称为点估计值。 区间估计 所谓预测区间就是指在一定的显著性水平上，依据数理统计方法计算出的包含预测对象未来真实值的某一区间范围。 第二节 一元线性回归模型 第二节 一元线性回归模型 由于总体方差往往是未知的，所以，常用总体方差的无偏估计量来代替。 第二节 一元线性回归模型 第二节 一元线性回归模型 九、几个应当注意的问题 1．重视数据的收集和甄别 在收集数据的过程中可能会遇到以下困难： （1）一些变量无法直接观测。 （2）数据缺失或出现异常数据。 （3）数据量不够。 （4）数据不准确、不一致、有矛盾。 2. 合理确定数据的单位 在建立回归方程时，如果不同变量的单位选取不适当，导致模型中各变量的数量级差异悬殊，往往会给建模和模型解释带来诸多不便。比如模型中有的变量用小数位表示，有的变量用百位或千位数表示，可能会因舍入误差使模型计算的准确性受到影响。因此，适当选取变量的单位，使模型中各变量的数量级大体一致是一种明智的做法。 一元线性回归模型研究的是某一因变量与一个自变量之间的关系问题。但是，客观现象之间的联系是复杂的，许多现象的变动都涉及到多个变量之间的数量关系。 研究某一因变量与多个自变量之间的相互关系的理论和方法就是多元线性回归模型。 一、多元线性回归模型及其假设条件 二、模型参数OSL的估计与性质 三、多元线性回归拟合程度的测定 （一）总偏差的分解 总偏差平方和=回归离差平方和+剩余离差平方和 （二）拟合程度的测定 四、复相关系数和偏相关系数 五、多元线性回归的显著性检验 六. 预测区间 补充：线性回归模型的多重共线性和序列相关性 一、多重共线性 当回归模型中两个或两个以上的自变量彼此相关时，则 称回归模型中存在多重共线性。 出现多重共线性可能出现的问题： 1、变量之间高度相关时，可能会使回归的结果造成