数理统计8.pptVIP

统计数据举例 其它散点图例 建模依据 一元线性回归模型 一元线性回归模型图示 一元线性回归模型假设 最小二乘估计 适配一条回归直线 回归误差 最小二乘法 最小二乘法 最小二乘估计 例1 例1 例2 例2 例2 总变差与残差 残差和标准差 回归估计系数的标准差 回归参数的置信区间 相关分析 相关的图例 协方差与相关 相关系数的假设检验 回归的假设检验 回归关系 回归的检验 可决系数 方差分析和F检验 使用回归模型预测 Y的预测区间 Y的均值区间预测 0 残差 0 残差 0 残差 . Time 0 残差 点预测 区间预测 Y值的预测 Y的均值的预测 * 一元线性回归模型 最小二乘估计 误差和标准差 相关分析 回归分析的假设检验 区间估计 预测 一元线性回归 3.1 散点图指出若干对广告费用和销售量数据的对应关系。 销售额的大小与广告费用的大小的趋势是基本一致的 S c a t t e r p l o t o f A d v e r t i s i n g E x p e n d i t u r e s ( X ) a n d S a l e s ( Y ) 5 0 4 0 3 0 2 0 1 0 0 1 4 0 1 2 0 1 0 0 8 0 6 0 4 0 2 0 0 A d v e r t i s i n g S a l e s 散点沿一条直线周围分布 广告额与销售量之间的对应并不是精确对应在直线上。直线只是提供了对应关系的平均趋势 X Y X Y X 0 0 0 0 0 Y X Y X Y X Y 应用统计模型将类似于广告费与销售额之间的关系进行分析. 统计模型可以将系统成分从随机成分中分离出来. 数据 统计 模型 系统成分 + 随机误差 系统成分是样本的均值变量而随机成分则是不可解释变量 按照回归的理解，系统成分是直线上的部分而随机成分则是直线周围的散布情况 一元线性回归模型 Y= a + b X + ? 非随机部分 随机部分 或系统部分 Y 称为依赖变量，因变量或被解释变量, X称为独立变量，自变量或解释变量, ? 是随机误差项, 是模型中唯一的随机成分，也是Y的随机性的来源。 a 是模型中系统成分的截距. b 是斜率. Y 的条件数学期望是: 一元线性回归认定在依赖变量 Y的数学期望或均值和独立变量 X之间有着准确的线性关系: E[Yi]=a +b Xi Y的实际观察值与期望值之间差一个随机误差: Yi = E[Yi] + ?i = a + b Xi + ?i X Y E[Y]=a+bX Xi } } b = 斜率 1 a=截距 Yi { 误差: ?i Regression Plot X与Y之间是线性关系 独立变量X被认为固定变量; 在观察值Y中的随机成分仅来自于误差变量?. 误差项 ?i 服从均值为0，方差为?2的正态分布。误差项之间不相关。 即: ?~ N(0,?2) X Y E[Y]=a+b X 一元线性回归模型假设 误差项服从正态分布，中心位于回归直线 估计的回归方程： 是回归直线的截距 a 的估计值 ; 是回归直线的斜率 b 的估计值 ; e 称为残差，是估计的回归直线与各个观测值之间的差 X Y 数据 X Y 与适配线 的误差 X Y 与最小二乘回 归直线的误差 e X 与最小二乘回归直线的误差最小 . { Y X Miles Dollars Miles 2 Miles*Dollars 1211 1802 1466521 2182222 1345 2405 1809025 3234725 1422 2005 2022084 2851110 1687 2511 2845969 4236057 1849 2332 3418801 4311868 2026 2305 4104676 4669930 2133 3016 4549689 6433128 2253 3385 5076009 7626405 2400 3090 5760000 7416000 2468 3694 6091024 9116792 2699 3371 7284601 9098329 2806 3998 7873636