第四章回归分析new.pptVIP

第四章 回归分析 主要内容 一元线性回归 最小二乘法估计 相关系数的显著性检验 回归系数的显著性检验 回归系数的假设检验和区间估计 预测 多元线性回归 参数的最小二乘估计 回归方程的显著性检验 回归系数的显著性检验 估计与预测 线性回归模型的适宜性评价 A：一元线性回归模型 如果两个变量之间存在线性关系，其中一个是自变量，另一个是因变量，利用它们的样本数据，建立起表述它们之间关系的数学模型，对模型进行各种统计检验，并利用这一模型进行预测和控制，就是一元线性回归。 Y＝a＋bX＋? 一元线性回归模型假设： （1）变量Y与X之间存在真实的线性关系； （2）变量X为非随机变量； （3）随机项εi服从正态分布，且相互独立。 一、最小二乘参估计 利用变量Y、X的样本数据，依据某种准则，得到它们的估计值 Yi＝a＋bXi＋ei 对a,b求偏导： 图形 解方程组得: 由此得到的a、b称为?、?的最小二乘估计 最小二乘估计的统计特性：线性、无偏性、方差最小性。 回归分析中有关符号的表示 平方和分解公式 二、相关系数的显著性检验 相关系数r是对变量Y与X之间线性关系密切程度的一个测量。r的值越接近于±1，反映Y与X之间的线性关系越紧密。 r的含义： 不相关、正相关、负相关、完全相关 三、线性回归的显著性检验 1. F检验法 建立原假设 H0：b＝0；对立假设 H1：b?0 计算回归方程的F统计量 若 F＞F?（1，n-2）拒绝H0，意味着线性回归模型中的一次项是必不可少的。这时，称回归方程的回归效果是显著的。 方差分析表 回归方程显著性检验方法二------t检验 建立原假设 H0：b＝0；对立假设H1：b?0 计算回归系数b的t值 若 拒绝H0。则表明回归系数?＝0的可能性小于5％，可得出??0的结论。 四、回归参数的假设检验与区间估计 回归系数b的假设检验：H0：b=b0 b的区间估计公式： 五、利用回归方程进行预测 利用变量Y与X的n对样本数据建立的回归方程 （1）点预测。将自变量的预测值X0代入回归模型所得到的因变量Y0的值是无偏预测。 （2）区间预测。 Y0的概率为1－?的预测区间为： 当X0取值在 均值附近，n又比较大时，可以近似地认为 。 因而Y0的概率为1－?的预测区间为 例 根据表中提供的统计数字，建立某地区居民对某产品的需求量与居民收入的回归方程。 某地区居民对某产品的需求量和居民收入的散点图 解：令需求量为因变量Y，居民收入为自变量X，根据表中的数据，绘制两个变量之间的散点图。从图中可以看出，二者之间呈线性关系。采用最小二乘法建立一元线性回归方程 回归显著性检验——t检验 根据显著水平?＝0.05，自由度f=14，查t分布表得t0.05/2=2.1448。由于 表明回归系数b是显著的，居民收入与居民对某产品的需求量之间存在线性关系。 回归显著性检验——F检验 根据显著性水平?＝0.05，df1＝1，df2＝14，查F分布表得到F0.05(1,14)＝4.60。由于 F＝4122.53F0.05(1,14)＝4.60 表明回归方程的F检验通过，回归方程的回归效果显著。 B：多元线性回归 当影响变量Y的主要因素有k个时，可以建立起的总体回归模型为 这是Y对X1，X2,…，Xk的多元回归，也称多重回归或复回归。?1，?2，…?k称为偏回归系数。 相应的多元线性样本回归方程为 一、多元线性回归的假设 随机误差项具有零均值和同方差； 随机误差项在不同样本点之间是相互独立的，不存在序列相关。 随机误差项服从正态分布； 自变量是确定性变量，他们之间是不相关的； 因变量和自变量之间是线性的关系。 二、参数的最小二乘估计 参数?0，?1，…?k可以利用变量Y与X1，X2，…，Xk的n组样本数据，依照最小二乘准则得到。它们可以采用求解正规方程组 复可决系数： 三、回归方程的显著性检验 全检验：原假设H0：b1＝b2＝…＝bk＝0 对立假设H1：bj不同时为0 j=1，2，…，k 计算F统计量 根据给定的显著性水平?，自由度df1=p，df2=n-p -1，查F分布表，得到相应的临界值。若 F＞F?