商务管理学习第七章相关和回归辩析.ppt

从一个实际问题说起 P167【问题引入】： 1.分析销售额是否与广告营销、产品研发、降价营销等有关？ ——相关分析 2.如果有关系，他们有什么样的关系？ ——回归分析 本章框架结构 第一节 相关分析 第二节 回归分析：一元线性回归 第一节 相关分析 变量之间的关系 ◆确定性的函数关系 ◆不确定性的统计关系——相关关系 (ε为随机变量) ◆没有关系 分析变量之间相关关系的方法有两类： 相关分析：相关关系的描述——散点图 相关关系的度量——相关系数 回归分析：一元回归分析 多元回归分析 …… ①相关系数的特点 r 的取值范围是 [-1,1] |r|=1，为完全相关：r =1，为完全正相关，r =-1，为完全负正相关 r = 0，表明不存在线性相关关系相关 -1?r0，为负相关；0r?1，为正相关 |r|越趋于1表示关系越密切；|r|越趋于0表示关系越不密切 例题：用Excel计算P172，例8-2中变量之间的相关系数。 第二节 回归分析:一元线性回归 【思考】什么是回归分析？(Regression) 1.起源：高尔顿 父母身高与子女身高的关系的研究 2.定义：是一个因变量对一个或多个自变量依存关系的研究 具体的： 从一组样本数据出发，确定变量之间的数学关系式（即回归模型、回归方程）； 对这些关系式的可信程度进行各种统计检验； 并利用所求的关系式，根据一个或几个自变量的取值来预测或控制因变量的取值，并给出预测或控制的精确程度。 3.回归模型 （1）构成 因变量：被预测或被解释的变量 (dependent variable)，常用y表示 ——一个模型只有一个因变量 自变量：用来预测或用来解释因变量的一个或多个变量称为自变量(independent variable)，常用x表示 ——可以是一个，也可以是多个。 例：确定P176，例8-3中的因变量和自变量。 （2）类型 从自变量的个数分，有： 一元回归 多元回归 从变量之间的关系分，有： 线性回归 非线性回归 ?本章研究“一元线性回归模型” 【思考】如何进行一元线性回归模型？ 一般分四步： 模型设定 模型估计 模型检验 模型应用 一. 模型设定 模型设定主要是确定模型的回归函数。 回归函数有两类： 总体回归函数：条件均值形式 个别值形式 样本回归函数：条件均值形式 个别值形式 1.总体回归函数 （1）条件均值形式：E (y) =? 0+ ? 1 x （2）个别值形式：y = ?0+?1 x+ ? 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 ?0 和 ?1 称为模型的参数 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 【一元线性回归模型的基本假定】 因变量y与自变量x之间具有线性关系 在重复抽样中，自变量x的取值是固定的，即x非随机。 误差项ε是一个期望值为0的随机变量，即E(ε)=0。 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，且相互独立。即ε~N(0,σ2 ) 独立性意味着对于一个特定的 x 值，它所对应的ε与其他 x 值所对应的ε不相关 对于一个特定的 x 值，它所对应的 y 值与其他 x 所对应的 y 值也不相关 2.样本回归函数 （1）条件均值形式： （2）个别值形式： 其中： 是估计的回归直线在 y 轴上的截距， 是直线的斜率，它表示对于一个给定的 x 的值， 是y的估计值，也表示 x 每变动一个单位时， y 的平均变动值 【思考】 和 如何计算？ 二.模型参数的估计——最小二乘估计法 最小二乘估计法：就是使因变量的观察值与估计值之间的离差平方和达到最小来求得?0和?1的方法。 即： 最小 用最小二乘法拟合的直线来代表x与y之间的关系与实际数据的误差比其他任何直线都小。 根据最小二乘法的要求，可得求解 和 的公式如下： 例题：P177，例8-4（Excel上的操作） 三.回归模型的检验 1.拟合优度检验 从右图可以看出，用回归 线来拟合数据的分布情况， 有的点落在直线上，而有的 点偏离了直线。 这说明直线对数据是不完 全拟合的。 因此我们有必要来计算直 线到底有多大程度上拟