簡單線性迴歸分析.pptVIP

* 檢定 H0： β1 0 ，沒有拒絕 H0 如果沒有拒絕 H0 ，有三種可能： x 和 y 二者之間確實有線性關係存在，但由於型??誤差的關係而不顯著。 x 和 y 二者之間沒有線性關係存在，但確有非線性的關係存在。 x 和 y 二者之間確實沒有相關。 * 迴歸分析之假設檢定（續） 要檢定 H0： β1 0，所用的方法是變異數分析。 變異數分析主要的功能是分析因素（或變數）是否重要，它所使用的工具是分解平方和。 如果都不用預測變數的訊息時，yi 與 ? 的變異（以 ? 預測 yi ）稱為總平方和，以SSTO表示。 如果用上預測變數 x 的訊息，則yi 與 ?i 的變異（以 ?i 預測 yi ）稱為殘差平方和，以SSE表示。 * 迴歸分析之假設檢定（續） SSTO － SSE ＝ SSR，稱為迴歸平方和，表示用了預測變數後總變異降低的部份（p2-31） （圖2-14） 。 如要檢定 H0： β1 0可以利用 F 統計量檢定之： F ＝ MSR / MSE * 迴歸分析之假設檢定（續） * SSTO SSR + SSE 總離差（觀察值與平均數的離差）（SSTO） 擬合值與平均數的離差（SSR） + 觀察值與擬合值的離差（SSE）。 * SSTO SSR + SSE * SSTO SSR + SSE * SSTO SSR + SSE * 迴歸分析之假設檢定（續） yi yi ︿ y Yi - Y ︿ 不見了 * SSTO SSR + SSE 不見了 * 變異數分析 變異數分析是用來檢定三個或三個以上母體平均數是否相等的假設。 變異數分析這個名詞似乎並不恰當，因為我們要檢定的是母體平均數而非變異數，然而事實上，變異數分析的檢定過程是根據樣本資料的變量分析為基礎的。 變異數分析法簡稱為 ANOVA （ANalysis Of VAriance） * 變異數分析的假設 假設因子對依變數的影響效果是固定的，亦即 ?i - ? 為一常數而不是隨機變數。 每個小母體均為常態分配，表為：Yi ~ N ?i , ?2i , i 1, 2, ?, k 。 變異數齊一性，即 ?2i ?2 ，每個小母體的變異數均相等。 抽樣方法為獨立簡單隨機抽樣（SRS），即自 k 個小母體分別選取獨立的隨機樣本。 * 變異數分析之基本原理 變異數分析的基本原理是比較組間差異（因子效果）和組內差異（隨機變異）的相對大小，用以檢定母體平均數是否相等的假設。 如果虛無假設（母體平均數相等）為真，則組間的差異（母體間的差異）亦必很小；如果母體平均數不相等，則組間差異會比較大。 若「組間差異 / 組內差異」的值較小，則表示沒有足夠的證據證明母體平均數不相等。 若「組間差異 / 組內差異」的值很大，則表示母體平均數應該是不相等。 * 組間差異 與 組內差異 總差異 ＝ 組間差異（因子引起的差異） ＋ 組內差異（隨機差異） 總差異的平方和 ＝ 因子引起的差異的平方和 ＋隨機差異的平方和。 總差異的平方和稱為總變異（SST），因子差異的平方和稱為因子變異（SSF），隨機差異的平方和稱為隨機變異（SSE）。 * 變異數分析的方法 因子變異是因為因子不同的關係，故又稱為可（被因子）解釋的變異；隨機變異是因隨機誤差所造成的，故稱為不可解釋之變異。 變異數分析的方法即是利用樣本統計量來比較因子變異和隨機變異的大小，以檢定因子所引起的變異是否大到足以拒絕虛無假設。 * 假設檢定 若虛無假設成立，則 SSF 主要來自抽樣誤差，因此SSF 相對於 SSE 不會太大；若虛無假設不成立，則SSF 相對於 SSE 會比較大。 因為 SSF 和 SSE 會受樣本個數多少的影響，因此不能直接比較 SSF 與 SSE 的大小，而必須進一步求平均變異，分別為： MSF SSF /（k – 1） MSE SSE /（N – k） 其中，（k - 1）和（N - k）分別為SSF和SSE的自由度。 * 變異數分析表（ANOVA） 當H0為真時，MSF / MSE 的抽樣分配為一個自由度為 k – 1 及 N – k 的 F 分配。 在選定的顯著水準 ? 下，決策法則為： 若統計量 F0 Fk-1,N-k,?，則拒絕H0。 若統計量 F0 ≤ Fk-1,N-k,?，則接受H0。 變異數分析表：ANOVA * ANOVA Table Source DF Sum of Square Mean Square F Value Prob F Model 1 SSR MSR MSR MSE Error N - 2 SSE MSE C Total N - 1 SSTO * 迴歸分析的SAS報表（p2-12）