ch5回归分析一元.pptVIP

第5章 回归分析 一元线性回归 多元线性回归 * * 一元线性回归模型 1. 一元回归模型的一般形式 2. 一元回归模型的基本假定 回归参数的最小二乘估计 回归方程的显著性检验 预测与应用 5.1 一元线性回归分析 当旨在分析变量之间关系的强度时,用相关分析. 若目的是确定变量之间数量关系的可能形式,并用一个数学模型来表示这种关系形式,则叫回归分析(regression analysis), 它可以从一个变量的变化来预测或估计另一个变量的变化. 如由身高来预测体重;由人均国民收入预测人均消费金额;由商店前的车流量预测该商店年销售额. 只有一个自变量的 回归叫一元线性回归或简单线性回归 一元线性回归模型 1.一元线性回归模型的一般形式: y = ?0+?1x+? y与x的关系分为两部分: ?0+?1x 是由于x的变化引起线性变化的部分; ?是全体一切随机因素(包括试验误差)造成的部分 x E[Y]=?0 + ?1 X Xi } } ?1 = 斜率 1 ?0 =截距 Yi { 误差: ?i 回归直线图 y Y 为被解释变量 (因变量Dependent variable) X 为解释变量 (自变量Independent variable) ?0 , ?1 是未知参数,叫回归系数 (Coefficient of regression) ? 是随机误差 (不可观察) 2. 一元线性回归的基本假设 （1）x与y在总体上具有线性关系； （2）变量x没有测量误差（看成精确变量）； （3）（xi,yi）和（xj,yj）彼此独立； （4）与某一个xi值对应的y值构成变量y上一个子总体，这样的子总体服从正态分布，且它们的方差相等； （5） 是xi对应y的子总体的平均数的一个无偏估计。 X E[Y]=?0 + ?1 X 一元线性回归的基本假设 中心在回归线上，方差相等的分布 y 回归参数的最小二乘估计 为了由样本数据得到回归参数?0,?1的理想值, 使用普通最小二乘估计(Ordinary Least Square Estimation)。 对于每一个样本观测值（xi,yi）,最小二乘法考虑观测值yi,与其期望值E(yi)的差越小越好，特别要求考虑n个差的平方和 回归方程的显著性检验 根据样本得出的回归方程是否真正反映了两个变量之间的线性关系;用它来预测或估计的有效程度如何,是应用回归方程时首要解决的问题。即要对其进行检验和评价。有两种检验方法： （1）F检验 一元回归方程中假设检验的零假设是： H0:β1=0, H1:β1≠0 H0成立时，说明x对y无影响，即y与x之间的关系没有意义; H1成立时, β1≠0,回归方程才有意义。 平方和分解 = + Y 总平方和SSt = 回归平方和SSR + 误差平方和SSe . { Y X { } 总离差 可解释离差 不能解释离差 Percentage of total variation explained by the regression. 例：实验四中例4.1，方差分析表： F=62.96＞F0.01（1，16）=8.53 故可认为变量y与x之间存在着线性关系，回归直线方程是显著的（记为**）。 17 1866.5 总计 17.4 16 278.5 剩余 ** F=91.2 1588 1 1588 回归 显著性 统计量 均方 自由度 平方和 方差来源 17 1866.500 Total 23.638 16 378.212 Residual .000(a) 62.961 1488.288 1 1488.288 Regression 1 Sig. F Mean Square df Sum of Squares Model 样本决定系数(R2) SSt=SSR+SSe 在总平方和中，回归平方和所占比重越大，则线性回归效果越好，即回归直线与样本观测值拟合优度越好。而误差平方和越大，则拟合得越不理想。 上例中R2=0.797,表明y的变异中有79.7％由x变异引起的，说明y与x之间有高度的线性相关关系。 相关系数r与回归系数 正负号相同。 在一元回归分析中，回归方程的显著性检验与回归系数的显著性检验是一致的，因为零假设都是 H0:β1=0 * * * *