管理统计学10多元线性回归教程.pptVIP

可线性化的非线性回归 在实际经济问题中，许多回归模型的因变量y与x之间不是线性关系，但y与未知参数 ， 之间的关系却是线性的。线性回归的“线性”是针对参数而言，而不是针对自变量而言。 这样，我们可通过变量代换法将非线性模式线性化，再按线性模型的方法处理。下面给出几种常见的非线性模型及其线性化方法。 指数函数 对上式两边取自然对数，得 令 ， ， 则 幂函数 对上式两边取对数，得 令 ， 则 双曲函数 令 ，则 对数函数 令 ，则 令 ， ，则 S型曲线 已知某商店的商品流通费水平与商品零售额数据资料，试根据以下数据拟合适当的模型。 第十章　多元线性回归 第十章 多元线性回归 多元线性回归的基本思想是什么？ 多元线性回归的模型与一元线性回归 有什么异同？ 与一元线性回归相比，多元线性回归 的检验有何特殊之处？ 多元线性回归分析：研究因变量（被解释变量）与两个或两个以上自变量（解释变量）之间的回归问题，称为多元回归分析。 多元线性回归分析的定义 线性回归 自变量个数 大于等于2 多元 线性 回归 10.1多元线性回归模型 若因变量Ｙ与解释变量Ｘ１，Ｘ２，ＸＫ……具有线性关系，它们之间的线性回归模型可表示为（其中b0,b1,…,bk为回归系数，u为随机扰动项 ）： 多元线性回归的基本理论 10.1多元线性回归模型 将n个观察数据代入上述模型，则问题转化为： 多元线性回归的基本理论 (10-1) 10.1多元线性回归模型 多元线性回归的基本理论 写为矩阵形式： (10-2) 10.1多元线性回归模型 多元线性回归的基本理论 即： (10-3) 其中，Y, u是n维向量，b是k维向量，x是m×k矩阵 10.1多元线性回归模型 多元线性回归的基本理论 基本假定： ① ② 10.1多元线性回归模型 多元线性回归的基本理论 ③ ④ 10.2 参数的最小二乘估计 采用最小二乘估计回归系数b 令： 取最小值 10.2 参数的最小二乘估计 Q在最小值处偏导数为0，得： （10-4） 采用最小二乘估计回归系数b 10.2 参数的最小二乘估计 采用最小二乘估计回归系数b （10-5） 整理得： 求解该联立方程组即可得 10.3 回归方程的显著性检验 假设 求得的回归方程为： 10.3.1 总离差平方和分解 10.3.1 总离差平方和分解 同一元回归，可得： 并且： （10-6） 10.3.1 总离差平方和分解 总离差平方和： 即是： 回归平方和： 残差平方和： 10.3.2 样本决定系数对回归方程“拟合优度” 的检验 样本决定系数Ｒ２，又称复决定系数，或多重决定系数。 定义： 样本决定系数Ｒ２ 10.3.2 样本决定系数对回归方程“拟合优度” 的检验 样本容量增大(n↑) R2也随之增大(R2↑) R2的大小 很难说明问题 Ｒ２存在的问题 10.3.2 样本决定系数对回归方程“拟合优度” 的检验 R2的改进 当n为小样本，解释变量数很大时，上式可能为负数，这时取其值为0。 R2与 均反映在给定样本下，回归方程与样本 观测值拟合优度，但不能据此进行总体模型的推断。 Ｒ２改进 10.3.3 回归方程的显著性检验 10.3.3 回归方程的显著性检验 检验的目的：检验Y与解释变量x1，x2，……xk之间的线性关系是否显著。 检验的目的 10.3.3 回归方程的显著性检验 检验的步骤 第一步，提出假设： 原假设：H0：b1=b2=……bk=0 备择假设：H1：bi不全为0 （i=1，２，…，k） 10.3.3 回归方程的显著性检验 检验的步骤 第二步，计算统计量： 或： （10-8） 10.3.3 回归方程的显著性检验 第三步，查表，得： 检验的步骤 10.3.3 回归方程的显著性检验 检验的步骤 第四步，做检验： 拒绝H0， 回归方程显著 接受H0， 回归方程不显著 检验 法则 10.4 回归系数的显著性检验 回归方程显著，并不意味着每个解释变量对因变量Y的影响都重要,因此需要进行检验： 回归系数检验的必要性 回归方程显著 每个回归系数都显著 10.4 回归系数的显著性检验 回归系数检验的步骤 第一步，提出假设： 原假设：H0： bi=0 (i=1，2，……k) 备择假设：H1：bi≠0 (i=1，2，……k) 10.4 回归系数的显著性检验 回归系数检验的步骤 第二步，构造并计算统计量 ： 10.