相关分析与回归分析方案.pptVIP

回归参数的普通最小二乘估计（OLSE） 线性回归方程确定后的任务是利用已经收集到的样本数据，根据一定的统计拟合准则，对方程中的各参数进行估计。普通最小二乘就是一种最为常见的统计拟合准则。 最小二乘法将偏差距离定义为离差平方和，即（1） 最小二乘估计就是寻找参数β0 、β1、… βp的估计值β?0 、β ?1、… β ?p，使式（1）达到极小。通过求极值原理（偏导为零）和解方程组，可求得估计值，SPSS将自动完成。 线性回归 回归方程的统计检验 回归方程的拟合优度检验（相关系数检验） 一元线性回归的拟合优度检验采用R2统计量，称为判定系数或决定系数，数学定义为 其中称为回归平方和（SSA） 称为总离差平方和（SST） 线性回归 线性回归 回归方程的统计检验 回归方程的拟合优度检验（相关系数检验） R2取值在0-1之间， R2越接近于1，说明回归方程对样本数据点的拟合优度越高。 回归方程的统计检验 回归方程的显著性检验（F检验） 一元线性回归方程显著性检验的零假设是β1=0，检验采用F统计量，其数学定义为： 即平均的SSA/平均的SSE，F统计量服从（1，n-2）个自由度的F分布。SPSS将会自动计算检验统计量的观测值以及对应的概率p值，如果p值小于给定的显著性水平α，则应拒绝零假设，认为线性关系显著。 线性回归 回归方程的统计检验 回归方程的显著性检验（F检验） 多