第8章相关与回归(新)教程.ppt

第8章 相关与回归分析 8.1 相关分析 8.2 一元线性回归分析 8.3 多元线性回归分析 8.4 非线性回归分析学习目标 1. 理解回归分析的概念及其与相关分析的关系 2. 理解线性回归的基本原理 3. 掌握参数的最小二乘估计法 4. 理解和会应用回归直线的拟合优度 5. 掌握回归方程的显著性检验 6. 会利用回归方程进行估计和预测 7. 了解常用的可线性化的非线性回归的形式 8. 用 Excel 进行回归 8.1 相关分析 8.1 相关分析 （四）相关系数等级划分 （1） |r| ＜0.3:不存在线性相关 （2） 0.3≤|r|＜0.5： 低度线性相关 （3） 0.5 ≤|r|＜0.8： 中度线性相关 （4） |r| ≥0.8：高度线性相关 8.1 相关分析 3.判断标准 给定显著性水平α，查自由度为 n-2 的临界值tα/2 ， 若|t|≥tα/2 ，表明相关系数 r 在统计上是显著的，应否定ρ=0而接受ρ≠0的假设； 反之，若|t|＜tα/2 ，应接受ρ=0的假设。 8.1 相关分析 （七）相关系数的检验过程 1. 提出假设：H0：；H1：0 2. 构造相关系数统计量 8.1 相关分析 （八）例题：计算城镇居民家庭年人均可支配收入与人均消费支出相关关系 （资料见教材例8.1）。 解析：第一步绘制散点图。 8.1 相关分析（例题分析） 第二步:计算相关系数。 8.1 相关分析（例题分析） 第三步，相关系数检验 第1步，提出假设。原假设H0：；备择假设H1：0 第2步，计算检验统计量。 第3步，给定显著性水平，查表确定临界值。 第4步，做出统计决策。由于，则拒绝原假设，说明城镇居民的家庭年人均可支配收入与人均消费支出之间的线性关系显著。 8.2 一元线性回归分析 8.2 一元线性回归分析 （四）回归分析的主要内容： （1）确定变量间关系模型的形式 （2）估计模型中的参数 （3）模型的检验 （4）利用模型进行预测和控制 8.2 一元线性回归分析 8.2 一元线性回归分析 基本假定解读： 1. 误差项 是一个期望值为0的随机变量，即E(ε)=0。对于一个给定的 x 值，y 的期望值为E ( y ) =? 0+ ? 1 x 2. 对于所有的 x 值， 的方差σ2 都相同 3. 误差项 是一个服从正态分布的随机变量，且相互独立。即 4. 误差项的独立性意味着对于一个特定的 x 值，它所对应的 与其他 x 值所对应的 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 8.2 一元线性回归分析 （三）一元回归方程(regression equation) 描述 y 的平均值或期望值如何依赖于 x 的方程称为回归方程 一元线性回归方程的形式如下：E( y ) = ?0+ ?1 x 方程的图示是一条直线，也称为直线回归方程 ?0是回归直线在 y 轴上的截距，是当 x=0 时 y 的期望值 ?1是直线的斜率，称为回归系数，表示当 x 每变动一个单位时，y 的平均变动值 8.2 一元线性回归分析 3.前提:是随机变量其分布性质不确定，必须作某些假定，其估计才有良好性质，其检验才可进行。 4.原则: 使参数估计值“尽可能地接近”总体参数真实值 最小二乘估计 (图示) 最小二乘估计推导过程 设将Ｑ对求偏导数，并令其等于零，可得:8.2 一元线性回归分析 变差的分解(图示) 离差平方和的分解 (三个平方和的关系) 离差平方和的分解 (三个平方和的意义) 总平方和(SST) 反映因变量的 n 个观察值与其均值的总离差 回归平方和(SSR) 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 的取值变化，也称为可解释的平方和 残差平方和(SSE) 反映除 x 以外的其他因素对 y 取值的影响，也称为不可解释的平方和或剩余平方和 （二）判定系数定义： 估计标准误差 8.3 线性回归的显著性检验及预测 一、回归系数显著性的 t 检验 二、回归方程的检验 三、一元线性回归模型的预测 （三）样本统计量的分布 样本统计量的分布 σ2是未知的，而且不一定能获得大样本，在小样本时,服从t分布。用估计的参数标准误差对估计的参数作标准化变换，所得的 t 统计量将不再服从正态分布，而是服从 t 分布： 8.3 线性回归的显著性检验及预测 由于? 未知，需用其估计量来代替得到的估计的标准差 （四）回归系数的t检验步骤 提出假设 H0: b = 0 (没有线性关系) H1: b ? 0 (有线性关系) 计算检验的统计量 回归系数显著性的P值