spss一元线性回归重点.pptVIP

相关系数的显著性检验 SPSS输出结果 相关分析 9.2 一元线性回归的估计和检验 9.2.1 一元线性回归模型 9.2.2 参数的最小二乘估计 9.2.3 回归直线的拟合优度 9.2.4 显著性检验 第 9 章 一元线性回归 9.2.1 一元线性回归模型 9.2 一元线性回归的估计和检验 什么是回归分析？ regression analysis 重点考察一个特定的变量 因变量 ，而把其他变量 自变量 看作是影响这一变量的因素，并通过适当的数学模型将变量间的关系表达出来 利用样本数据建立模型的估计方程 对模型进行显著性检验 进而通过一个或几个自变量的取值来估计或预测因变量的取值 一元线性回归 涉及一个自变量的回归 因变量y与自变量x之间为线性关系 被预测或被解释的变量称为因变量 dependent variable ，用y表示 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 ，用x表示 因变量与自变量之间的关系用一个线性方程来表示 一元线性回归模型 linear regression model 描述因变量 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 一元线性回归模型 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的取值是事先给定的，而y是随机变量，y的取值都对应一个分布。 误差项 ? 满足 正态性。 ?是一个服从正态分布的随机变量，且期望值为0，即? ~N 0 , ?2 。对于一个给定的 x 值，y 的期望值为E y ?0+ ?1x 方差齐性。对于所有的 x 值， ?的方差σ2都相同 独立性。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 一元线性回归模型 基本假定 x x3时的E y x x2时y的分布 x x1时y的分布 x x2时的E y x3 x2 x1 x x1时的E y ?0 x y x x3时y的分布 ?0+ ?1x 估计的回归方程 estimated regression equation 总体回归参数 和 是未知的，必须利用样本数据去估计 用样本统计量 和 代替回归方程中的未知参数 和 ，就得到了估计的回归方程 一元线性回归中估计的回归方程为 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 9.2.2 参数的最小二乘估计 9.2 一元线性回归的估计和检验 参数的最小二乘估计 method of least squares 德国科学家Karl Gauss 1777—1855 提出用最小化图中垂直方向的误差平方和来估计参数 使因变量的观察值与估计值之间的误差平方和达到最小来求得 和 的方法。即 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 Karl Gauss的最小化图 参数的最小二乘估计 和 的计算公式 根据最小二乘法，可得求解 和 的公式如下 参数的最小二乘估计 SPSS输出结果 进行回归 【例】求销售收入与广告费用的估计回归方程 ，并解释回归系数的含义 参数的最小二乘估计 例题分析 9.2.3 回归直线的拟合优度 9.2 一元线性回归的估计和检验 变 差 因变量 y 的取值是不同的，y 取值的这种波动称为变差。变差来源于两个方面 由于自变量 x 的取值不同造成的 除 x 以外的其他因素 如x对y的非线性影响、测量误差等 的影响 对一个具体的观测值来说，变差的大小可以通过该实际观测值与其均值之差 来表示 误差分解图 误差平方和的分解 误差平方和的关系 误差平方和的分解 三个平方和的意义 总平方和 SST—total sum of squares 反映因变量的 n 个观察值与其均值的总误差 回归平方和 SSR—sum of squares of regression 反映自变量 x 的变化对因变量 y 取值变化的影响，或者说，是由于 x 与 y 之间的线性关系引起的 y