统计第十章相关与回归浅析.ppt

回归模型的类型 按涉及变量多少分为：一元回归和多元回归 按变量相关的形式分：线性回归和非线性回归 （我们仅讨论一元线性回归分析问题） 一个自变量 两个及以上自变量 回归模型 多元回归 一元回归 线性回归 非线性回归 线性回归 非线性回归 几个相关概念： （1）回归：泛指变量间的数量关系； （2）回归方程：把代表现象之间一般数量关系地直线或者曲线方程叫做回归方程； （3）回归分析：研究回归关系的理论和方法； （1）相关分析中，变量 x 变量 y 处于平等的地位；回归分析中，变量 y 称为因变量，处在被解释的地位，x 称为自变量，用于预测因变量的变化 （2）相关分析主要是描述两个变量之间线性关系的密切程度；回归分析不仅可以揭示变量 x 对变量 y 的影响大小，还可以由回归方程进行预测和控制 ； 回归与相关的区别与联系 （3）相关程度越高，回归预测越准确。 相关系数r反映了预测效果的好坏 （4）回归具有预测，推理的性质，而相关分析从本质上将只是对客观事物的一种描述，回归的层次比相关更深刻一些； 一元线性回归 （1）当只涉及一个自变量时称为一元回归，若因变量 y 与自变量 x 之间为线性关系时称为一元线性回归 （2）通过对具有相互联系的变量之间变动关系的分析，建立一个合适的数学方程式，来近似反映这种关系，并作估计和预测，这个数学方程式为回归方程，也称为回归模型； 一元线性回归分析，一般是先依据相关表做出散点图，直观地估计X和Y关联性。如果两变量的确呈现出一定的线性相关趋势，便可以设所要求的回归直线方程为 A、a表示直线的截距，即表示当自变量X等于0时，依变量Y所达到的数值； B、b是直线的斜率，亦称为回归系数，表示自变量X每变动一个单位时，依变量Y变动的大小和方向；当b0时, y随x的增加而增加,两变量之间为正相关；当b0时, y随x的增加而减少，两变量之间为负相关；当b=0时, y为一个常量，不随x的变动而变动。 C、 Yc是因变量Y的预测值或称估计值。 回归方程的建立： ① 先做散点图；②利用最小平方法（各点到待估直线垂直距离之和为最小）。 运用最小平方法可以在所有可能的直线中找到使 Q达到最小的回归直线。 分别对a、b求偏导并令其为零，求得两个标准方程： 解联立方程，得到 a 和 b 的计算公式： X Y 。 调查对象 年x 声望y xy x2 1 12 70 840 144 2 16 80 1280 256 3 9 50 450 81 4 19 86 1634 361 5 21 90 1890 441 6 10 65 650 100 7 5 44 220 25 8 12 75 900 144 合计 104 560 7864 1552 例：为了研究受教育年限和职业声望之间的关系，设 以下是8名社会成员抽样调查的结果，求直线回归方程。 解： 直线回归方程是 r2=bYX*bxy 皮尔逊相关系数与回归系数之间有紧密联系: 相关系数r为两个有关的线性回归方程的回归系数的几何平均数. 判定系数:r2 PRE性质 练习：以下是生活期望值与个人成就的抽样调查。 求：相关系数和回归直线。 生活期望值 10 8 7 6 4 3 2 1 个人成就 7 9 10 4 2 1 3 2 练习 一、填空 1．对于表现为因果关系的相关关系来说，自变量一般都是确定性变量，因变量则一般是（ ）变量。 2．变量间的相关程度，可以用不知Y与X有关系时预测Y的全部误差E1，减去知道Y与X有关系时预测Y的联系误差E2，再将其化为比例来度量，这就是（ ）。 3．在数量上表现为现象依存关系的两个变量，通常称为自变量和因变量。自变量是作为（ ）的变量，因变量是随（ ）的变化而发生相应变化的变量。 4．根据资料，分析现象之间是否存在相关关系，其表现形式或类型如何，并对具有相关关系的现象之间数量变化的相关关系进行测定，即建立一个相关的数学表达式，称为（ ），并据以进行估计和预测。这种分析方法，通常又称为（ ）。 单选题 1、评价直线相关关系的密切程度，当r在0.5～0.8之间时，表示（ ）。 A 无相关 B 低度相关 C 中等相关 D 高度相关 2、相关分析和回归分析相辅相成，又各有特点，下面正确的描述有（ ）。 A在相关分析中，相关的两变量都不是随机的； B在回归分析中，自变量是随机的，因变量不是随机的； C在回归分析中，因变量和自变量都是随机的； D在相关分析中，相关的两变量都是