简单回归浅析.ppt

简单回归分析 Simple linear regression analysis;本章内容 第一节 简单线性回归 第二节 线性回归的应用 ;双变量计量资料：每个个体有两个变量值 总体：无限或有限对变量值 样本：从总体随机抽取的n对变量值 （X1,Y1）, （X2,Y2）, …, （Xn,Yn） 目的：研究X和Y的数量关系 方法：回归与相关 简单、基本——直线回归、直线相关; ; 儿子身高（Y，英寸）与父亲身高（X，英寸）存在线性关系： 。 也即高个子父代的子代在成年之后的身高平均来说不是更高，而是稍矮于其父代水平，而矮个子父代的子代的平均身高不是更矮，而是稍高于其父代水平。Galton将这种趋向于种族稳定的现象称之“回归”; “回归”已成为表示变量之间某种数量依存关系的统计学术语，相关并且衍生出“回归方程”“回归系数”等统计学概念。如研究糖尿病人血糖与其胰岛素水平的关系，研究儿童年龄与体重的关系等。;线性回归的概念及其统计描述;直线回归的概念 ;回归; 为了直观地说明直线回归的概念，以15名健康人凝血酶浓度（X）与凝血时间(Y)数据（表14-1）进行回归分析，得到图14-1所示散点图（scatter plot） ;No.; 在定量描述健康人凝血酶浓度（X）与凝血时间(Y)数据的数量上的依存关系时，将凝血酶浓度称为自变量(independent variable)，用 X 表示；凝血时间称为应变量(dependent variable)，用 Y 表示;; 由图14-1可见，凝血时间随凝血酶浓度的增加而减低且呈直线趋势，但并非所有点子恰好全都在一直线上，此与两变量间严格的直线函数关系不同，称为直线回归（linear regression）,其方程叫直线回归方程，以区别严格意义的直线方程。回归是回归分析中最基本、最简单的一种，故又称简单回归。 Ⅰ型回归：X是能够精确测量和严密控制的量，Y是随机的 Ⅱ型回归：X和Y都是随机的 ;样本线性回归方程;1．a 为回归直线在 Y 轴上的截距;2. b为回归系数，即直线的斜率;回归模型的前提假设;回归模型的前提假设; 残差;回归参数的估计——最小二乘原则 ;;本例：n=15 ΣX=14.7 ΣX2=14.81 ΣY=224 ΣXY=216.7 ΣY2=3368;;回归直线的有关性质;线性回归;编号;解题步骤;3、计算有关指标的值 4、计算回归系数和截距 5、列出回归方程; ;回归方程的假设检验 ;;总体回归系数?的假设检验;1．方差分析 ;; ;上式用符号表示为 ;上述三个平方和，各有其相应的自由度 ，并有如下的关系： ; 如果两变量间总体回归关系确实存在，回归的贡献就要大于随机误差，大到何种程度时可以认为具有统计意义，可计算统计量F: ;式中 ;t 检验 ; 检验例12-1数据得到的直线回归方程是否成立？ ;（1）方差分析; 方差分析表 ;（2）t 检验;注意：;总体回归系数 的可信区间; 本例b=-6.9802, 自由度=13，t0.05,13=2.16，Sb=0.78655, 代入公式得参数β的95%置信区间为 =（-8.6791 ~ -5.2813） ;决定系数(coefficient of determination) ;对于Ⅱ型回归，;第二 节 线性回归的应用（估计和预测） ;反映其抽样误差大小的标准误为;例14-1中，第一观测值X1=1.1， 0.4994， 0.404， ，代入（12.15）式获得第一观测点X1对应的 的标准误为 0.1599 Y的总体均数的95%置信区间为 14.0957±(2.16)(0.1599)＝（13.7502，14.4412） ;以上是给定某一X值时所对应的总体均数的置信区间。当同时考虑X的所有可能取值时，总体均数的点估计就是根据样本算得的回归直线 的（1-α）置信区间的上下限连起来形成一个弧形区带，称为回归直线的（1-α）置信带（confidence band）。同样，因为其标准误是X的函数，所以在均数（ ）点处置信带宽度最小，越远离该均数点，置信带宽度越大。 ;图14-4中，左图显示位于最小二乘回归线上下两侧的两条弧形虚线为总体回归