2015多元统计回归04章—回归….docVIP

赵国1、为何要如此提出原假设？ 2、p值 3、正确解读回归方程 4、多重共线性—岭回归 5、回归诊断的必要性 *第一节 回归分析(一元线性回归) §4.1 问题的引入 例4.1、 看一个例子。 居民对农产品消费y与居民收入x之间有密切的关系，政府为了对农产品市场进行有效的预测的管理，需要了解y与x之间的关系。 由于种种因素的影响，既使居民收入x相同，居民对农产品消费y也不会完全相同，因而，它们之间是一种非确定性的关系。那么，它们之间有没有关系？有什么样的关系？ 为此，搜集了16组数据，见下表。 居民消费y与收入数据 N y x 1 116.5 255.7 2 120.8 263.3 3 124.4 275.4 4 125.5 278.3 5 131.7 296.7 6 136.2 309.3 7 138.7 315.8 8 140.2 316.8 9 146.8 330.0 10 149.6 340.2 11 153.0 350.7 12 158.2 367.3 13 163.2 381.3 14 170.5 406.5 15 178.2 430.8 16 185.9 451.5 为了看清其规律，把和看成是平面直角坐标系中的点，画出它们的图形（称为“散点图”），见下图。 从散点图可以看出，这些点大致分布在一条直线附近，但又不全在一条直线上。可以认为和之间的关系由两部分组成，一部分是由于的变化引起的的线性变化，记为，另一部分是由随机因素引起的，记为(： 如果把代入上式，可写成 此式称为线性回归模型。又因为随机因素在0附近上下波动，它们的均值为0，所以我们说独立同分布，其分布是均值为0，方差为的正态分布，记为。 由于每对有大、有小，我们考虑它们的平均水平，所以有： （2—3） 称此式为线性回归方程。 我们研究的问题是： 1、如何估计(0和(1？由于(0和(1的估计值和(0和(1（真实值）一般不相等，为了区别起见，将和的估计值分别记为和。因此，线性回归方程的估计式为 或记为 （2—4） 线性回归方程的估计式有时也简称为线性回归方程。称为y的估计值（预测值）。 2、如何检验线性回归方程的可信度？ 3、如何检验线性回归方程系数的可信度？ 4、如果线性回归方程是可信的，如何利用线性回归方程进行预测？ §4.2 回归参数的最小二乘估计（LM） 如何估计和？直观的想法就是：选取的和能使得每一个误差 最小。或者说使得 最小 但是，由于有正、有负，有可能相抵消，所以考虑选取的和应能使得 达到最小。将（2—4）式代入上式，得 所以，选取的和能使得 达到最小。根据微积分的原理，可求得 其中 ， 性质1、 性质2、 ，其中， 例4.2 （续例4.1） 下表是将的数据在SPSS下计算出来的结果。其中第3列的两个数即为、的估计值。 Regression Summary for Dependent Variable: y (Spreadsheet1) R= R2= Adjusted R2= F(1,14)=4049.9 p.00000 Std.Error of estimate: 1.2662 Beta Std.Err. B Std.Err. t(14) p-level Intercept 28.0406 1.8837 14.8860 0.0000 x 0.9983 0.0157 0.3521 0.0055 63.6392 0.0000 Coefficients Model Unstandardized Coefficients B Std. Error Standardized Coefficients Beta t Sig. 1 (Constant) 28.041 1.884 14.886 .00 X .352 .006 .998 63.639 .00 a Dependent Variable: Y 故，，。 §4.3 回归方程的显著性检验 1、对回归方程作显著性检验的原（零）假设为 （备择假设） 2、用F检验，检验统计量为 其中： —偏差平方和。描述了的分散程度。 —残差平方和。除x对y的线性影响外，其他因素对y的影响。 （此公式的推导见数理统计教材）—回归平方和，是拟合值的分散程度。而描述了的分散程度，的分散程度它是由回归直线上的分散性引起的。 可以证明，平方和分解公式 也可以写为： 平方和分解公式说明，的分散性可分解成两部