相关分析与回归分析法.ppt

* 大家感觉如何 ？ 作业一：一元回归分析 某种合成纤维的强度与其拉伸倍数之间存在一定关系，表中数据是实测12个纤维样品的强度y与相应的拉伸倍数x记录。试求出它们之间的关系。 编号 1 2 3 4 5 6 7 8 9 10 11 12 拉伸 倍数 1.9 2 2.1 2.5 2.7 2.7 3.5 3.5 4 4 4.5 4.6 强度 1.4 1.3 1.8 2.5 2.8 2.5 3 2.7 4 3.5 4.2 3.5 作业二：一元回归分析 表中数据是实测的10个体重（Y）与相应的身高（X）记录，试求体重与身高的关系。 编号 1 2 3 4 5 6 7 8 9 10 体重 51 54 52 47 63 59 55 60 57 54 身高 162 170 166 158 174 166 167 170 173 168 作业三：多元回归分析 城市 人均消费支出 Y（元/人） 人均可支配收入 X1 （元/人） 人均储蓄 X2 （元/人） 沈阳 7213 8924 22470.93 大连 8672 10378 26185.59 哈尔滨 6896 8940 13402.76 南京 8350 11602 24994.58 武汉 7793 9564 19175.46 济南 8471 10798 15298.77 青岛 9002 11089 16495.77 杭州 11213 14565 29083.99 宁波 11283 15882 23257.83 武汉 7793 9564 19175.46 广州 13121 16884 59786.52 厦门 10739 14443 38261.19 * 24 This teleology is based on the number of explanatory variables nature of relationship between X Y. * * * 高斯基本假设 * * * * * 分母 N多的人结婚前 是 两代人一套房，少数人是一个人住两套房子，这是不正常现象要剔除 分子 结婚后两个人住一个房子，有N多的人来祝贺， 生活一段时间后，感情不和离婚了，两人各住一套房子，自然也没有N的人来祝贺了 * * * * * * * * * * * * （2）建立一元线性回归模型，数据计算 * * （2）建立一元线性回归模型，数据计算 （3）求相关系数R R=0.961，说明y与x有显著的正相关关系。 * （4）回归方程效果的F检验 给定显著水平α=0.05 查F分布表得F0.05(1，5)=6.6，FF0.05(1，5) 建立的一元线性回归模型成立 * （5）计算预测值 如果不考虑对观测区间的控制，应用预测模型 预测2010年和2012年的销售额 2010年，xi=5；2012年， xi=7 2010年的销售额为7600.01 2012年的销售额为8685.73 * 多元线性回归 * 多元回归模型 (multiple regression model) 一个因变量与两个及两个以上自变量的回归； 描述因变量 y 如何依赖于自变量 x1 ， x2 ，…， xk 和误差项 ? 的方程，称为多元回归模型； 涉及 k 个自变量的多元回归模型可表示为 b0 ，b1，b2 ，?，bk是参数 ? 是被称为误差项的随机变量 y 是x1,，x2 ，? ，xk 的线性函数加上误差项? ? 是y不能被k个自变量的线性关系所解释的变异性 * 多元回归模型(基本假定) 误差项ε是一个期望值为0的随机变量，即E(?)=0； 对于自变量x1，x2，…，xk的所有值，?的方差?2都相同； 误差项ε是一个服从正态分布的随机变量，即ε~N(0,?2)，且相互独立； * 多元回归方程 (multiple regression equation) 描述因变量 y 的平均值或期望值如何依赖于自变量 x1， x2 ，…，xk的方程 多元线性回归方程的形式为 E( y ) = b0+ b1 x1 + b2 x2 +…+ bk xk b1，b2，?，bk称为偏回归系数，系数求解同一元回归（最小二乘法） bk 表示假定其他变量不变，当 xk 每变动一个单位时，y 的平均变动值 * * 调整的多重判定系数(adjusted multiple coefficient of determination) 用样本容量n和自变量的个数k去修正R2得到 计算公式为 避免增加自变量而高估 R2 意义与 R2类似 数值小于R2 * * 线性关系检验 提出假设 H0：?1??2????k=0 线性关系不显著 H1：?1，?2，?，?k至少有一个不