统计第11章一元线性回归.ppt

第 11 章 一元线性回归 什么是回归分析？(Regression) 从一组样本数据出发，确定变量之间的数学关系式 对这些关系式的可信程度进行各种统计检验 利用所求的关系式，根据变量的取值来预测 例题分析 【例】一家大型商业银行在多个地区设有分行，其业务主要是进行基础设施建设、国家重点项目建设、固定资产投资等项目的贷款。近年来，该银行的贷款额平稳增长，但不良贷款额也有较大比例的增长，这给银行业务的发展带来较大压力。为弄清楚不良贷款形成的原因，管理者希望利用银行业务的有关数据做些定量分析，以便找出控制不良贷款的办法。下面是该银行所属的25家分行2002年的有关业务数据 散点图 回归模型的类型 一元线性回归模型 回归模型(regression model) 回答“变量之间是什么样的关系？” 方程中运用 1 个数字的因变量(响应变量) 被预测的变量 1 个或多个数字的或分类的自变量 (解释变量) 用于预测的变量 3. 主要用于预测和估计 一元线性回归模型 描述 y 如何依赖于自变量 x 和误差项? 的方程称为回归模型 一元线性回归模型可表示为 y = b0 + b1 x + e y 是 x 的线性函数(部分)加上误差项 线性部分反映了由于 x 的变化而引起的 y 的变化 误差项 ? 是随机变量 反映了除 x 和 y 之间的线性关系之外的随机因素对 y 的影响 是不能由 x 和 y 之间的线性关系所解释的变异性 ?0 和 ?1 称为模型的参数 基本假定 误差项ε是一个期望值为0的随机变量，即E(ε)=0。对于一个给定的 x 值，y 的期望值为E ( y ) =? 0+ ? 1 x 对于所有的 x 值，ε的方差σ2 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 ,σ2 ) 回归方程 (regression equation) 描述 y 的平均值或期望值如何依赖于 x 的方程称为回归方程 一元线性回归方程的形式如下 E( y ) = ?0+ ?1 x 估计的回归方程 参数的最小二乘估计 最小二乘估计 最小二乘估计(图示) 最小二乘法 ( 和 的计算公式) 估计方程的求法(例题分析) 【例】求不良贷款对贷款余额的回归方程 估计方程的求法(例题分析) 不良贷款对贷款余额回归方程的图示 回归直线的拟合优度 变差 y 取值的波动称为变差。 由于自变量 x 的取值不同造成的 除 x 以外的其他因素(测量误)的影响 变差的大小可以通过该实际观测值与其均值之差 来表示 变差的分解 离差平方和的分解 离差平方和的分解 (三个平方和的意义) 1、总平方和(SST) 反映因变量的 n 个观察值与其均值的总离差 2、回归平方和(SSR) 反映自变量 x 的变化对因变量 y 取值变化的影响 3、残差平方和(SSE) 反映除 x 以外的其他因素对 y 取值的影响， 判定系数R2 1. 回归平方和占总离差平方和的比例 判定系数R2  (例题分析) 【例】计算不良贷款对贷款余额回归的判定系数，并解释其意义 判定系数的实际意义是：在不良贷款取值的变差中，有71.16%可以由不良贷款与贷款余额之间的线性关系来解释. 估计标准误差(standard error of estimate) 计算公式为 反映实际观察值在回归直线周围的分散状况 对误差项?的标准差?的估计， 是在排除了x对y的线性影响后，y随机波动大小的一个估计量 显著性检验 线性关系的检验 回归均方：回归平方和SSR除以相应的自由度(自变量的个数p) 残差均方：残差平方和SSE除以相应的自由度(n-p-1) 1. 提出假设 H0：线性关系不显著 线性关系的检验(例题分析) 提出假设 H0： ?1=0 不良贷款与贷款余额之间的线性关系不显著 计算检验统计量F 回归系数的检验 回归系数的检验(样本统计量 的分布) 回归系数的检验 (检验步骤) 提出假设 H0: b1 = 0 (没有线性关系) H1: b1 ? 0 (有线性关系) 计算检验的统计量 回归系数的检验 (例题分析) ?对例题的回归系数进行显著性检验(?＝0.05) 提出假设 H0：b1 = 0 H1：b1 ? 0 计算检验的统计量 y 的平均值的点估计 在前面的例子中，假如我们要估计贷款余额为100亿元时，不良贷款的值，根据估计的回归方程得 用Excel进行回归分析 第1步：选择“工具”下拉菜单 第2步：选择“数据分析”选项 第3步：在分析工具中选择“回归”，然后选择“确定” 第4步：当对话框