第二十七讲实用统计学原理分析.pptVIP

四、一元线性回归模型的预测应用 1．回归方差分析 2．模型优劣判断 (二)测算估计标准误 (三)运用模型预测 §4多元回归与曲线回归分析 二、复相关系数及其显著性检验 三、多元线性回归分析的应用 四、可化为线性回归的曲线回归 五、运用回归分析应注意的问题 * * (一)分析自变量解释力 分析自变量对因变量的解释力可以从两个层次进行，即有无解释力和有多大的解释力。分析的方法有许多种，这里从两个层次仅介绍方差分析和决定系数两种方法，前者可用于有无解释力的分析，后者可用于解释力强弱的判断。 自变量对因变量有无解释力，一般可以运用方差分析的方法(即F检验)对两个变量之间的线性关系进行检验。方差分析以总离差平方和的分解为基础，以F分布表确定的临界值为标准，检验两个变量是否相关的显著性。 离差平方和(或称总离差平方和)由剩余平方和、回归平方和所构成，用符号表示如下： 即总离差平方和(Lxy)＝剩余平方和(Q)+回归平方和(U) 剩余平方和又称残差平方和，它反映自变量x对因变量y的线性影响之外的一切因素(包括x对y的非线性影响和测量误差等)对因变量y的作用。回归平方和反映在总离差平方和之中，由于x与y的线性关系而引起因变量y变化的部分。 例5 仍以例11表8．9中的资料为例，给定显著性水平α＝0．05，已知回归系数b＝0．812 2，n＝8，对某地居民购买商品支出与其货币收入建立回归模型的方差分析如下： 将以上的计算结果列入方差分析表，见表8．12。 对于给定的显著性水平α＝0．05，查F分布表得临界值： 变量之间的线性相关关系是显著的，有95％的把握程度说明自变量工对因变量y有解释力。 由于 ，故可以认为两 方差分析可以说明自变量对因变量有无解释力的问题，如果说自变量对因变量有解释力，那么究竟有多大的解释力呢，或者说因变量的变化有多少可以通过自变量的变化得到解释呢?通常可以利用决定系数进行分析。其计算公式为： 在已经计算相关系数厂的条件下，很容易得到决定系数户的值。如例1l某地居民购买商品支出与其货币收入的相关系数r＝0．999 2，则其决定系数r2=0．9984。它说明在居民购买商品支出的总变差中，99．84%可以用其货币收入的变化来解释；未被解释的0．16％是由于其他原因所致。 估计标准误也称估计标准误差或剩余标准差，是回归直线随机离差的均方根，反映以回归直线为中心的各观察值与其估计值之间的平均离差程度。它是回归模型的误差分析指标，从另一方面显示回归模型拟合的优劣状况。其计算公式为： 在社会经济活动中，一般都是用大样本来分析研究问题(教材举例中用小样本仅是为了节省篇幅)，即样本容量通常在30个以上。按照误差为正态分布的原理，当样本容量n≥30时，我们可以做出以下假定：y的观察值在对应的每个估计值夕周围都是正态分布，所有的正态分布都具有相同的标准差。因此，由样本数据求出估计标准误如以后，可以利用标准正态分布曲线下的面积查对表，以一定的概率和精确度对总体回归值做出区间估计。 一、多元线性回归模型 多元回归分析是以多元回归模型研究多个自变量与一个因变量的相互关系，从而推算或预测因变量的未知值或未来值。多元回归分析有多元线性回归分析和多元曲线回归分析，这里主要介绍多元线性回归分析。它是一元线性回归分析的扩充，其基本原理与一元线性回归分析相同，但具体操作过程要繁琐得多。 一般地，如果有n个自变量xl，x2，…，xn与一个因变量y呈线性相关，则可建立n元线性回归模型： 如果有两个自变量x1和x2与一个因变量y呈线性相关，则可建立二元线性回归模型： 如果有三个自变量xl，x2和x3与一个因变量y呈线性相关，则可建立三元线 如前所述，相关系数是说明现象之间线性相关方向和相关程度的统计分析指标，无论是两变量的相关系数还是多变量的相关系数，其基本公式为： 为了区别起见，通常把一元线性相关系数称为单相关系数，把二元及更多元的线性相关系数称为复相关系数。 与一元线性回归(也称单回归)分析一样，当我们建立了多元线性回归(也称复回归)模型以后，仍然需要分析自变量对因变量的解释力，以便判断模型拟合的优劣。下面仍用方差分析和决定系数判断。 多元线性回归模型的方差分析，其基本原理与一元线性回归模型的方差分析原理类似，但F统计量的计算公式有区别： 几种常见的非线性模型： (一)指数函数 (二)幂函数 (三)双曲函数 (四)对数函数 (五)S形曲线 *