第四章回归分析讲述.ppt

第四章 回归分析 1.基本含义 通过一个变量或一些变量的变化来解释另一个变量的变化，从而由自变量的取值来预测因变量的可能值。 2.基本模型 X和Y之间的关系 2.基本模型 X和Y之间的关系 2.基本模型 X和Y之间一元线性回归方程模型 a和b的解（最小二乘法） 3.回归模型的检验 （1）判断系数 分析回归方程拟合的好坏 （2）回归系数的显著性检验——t统计量 评价单个变量对因变量的解释能力，通过t统计量的p值进行判断。 p(1-显著性水平) （3）回归方程的显著性检验——F统计量 确定自变量的全体与因变量之间的有关系是否显著，通过F统计量的p值进行判断 4.回归预测的步骤和方法 （1）获取自变量和因变量的观测值 （2）绘制观测值的X、Y散点图；对于多个自变量，则须分别针对每一个自变量绘制X、Y散点图。 （3）初步判断自变量与因变量的函数关系，写出带未知参数的回归方程。 （4）用最小方差原则，确定回归方程中参数的值，从而得到回归方程。 （5）判断回归方程的拟合优度。 （6）用所得到的回归方程和给定的自变量值计算因变量的预测值；或对于因变量的目标值，利用回归方程求自变量的值。 二、一元线性回归分析 1）输入观测值数据并绘制自变量与因变量关系图 2）求出回归系数a、b的取值，计算判定系数R2，并进行预测 求解工具： （1）规划求解 （2）用内建函数Intercept()和Slope()计算回归系数 （3）用内建函数Linest()计算回归系数 （4）用回归分析报告完成一元线性回归分析 （5）在散点图上直接显示出回归直线及其方程 函数Intercept()和Slope() Intercept(known_y‘s，known_x’s)，利用现有的 x 值与 y 值计算直线与 y 轴的截距。截距为穿过已知的 known_x‘s 和 known_y’s 数据点的线性回归线与 y 轴的交点。 Slope(known_y‘s，known_x’s)，返回根据 known_ys 和 known_xs 中的数据点拟合的线性回归直线的斜率。 函数RSQ() RSQ(known_y‘s，known_x’s)，返回根据 known_y‘s 和 known_x’s 中数据点计算得出的 Pearson 乘积矩相关系数的平方。 内建函数Linest() Linest(known_y‘s，known_x’s，const，stats) ，使用最小二乘法对已知数据进行最佳直线拟合，并返回描述此直线的数组。因为此函数返回数值数组，所以必须以数组公式的形式输入。 Const??? 为一逻辑值，用于指定是否将常量 b 强制设为 0。 如果 const 为 TRUE 或省略，b 将按正常计算。 Stats??? 为一逻辑值，指定是否返回附加回归统计值。 如果 stats 为 TRUE，则 LINEST 函数返回附加回归统计值。 选中相邻的两单元格，输入公式后按Ctrl+Shift+Enter。输出格式为斜率在前，截距在后。 用回归分析报告完成一元线性回归分析 工具——数据分析——回归 说明： （1）调整后R2（Adjusted Square）:这个参数用于对向个自变量个数不同的回归方案进行比较时代来代替R2判断拟合优度，对一元回归意义不大。 （2）标准误差Se：为因变量的估计值与观测值之间的标准误差。 三、多元线性回归分析 方法一：利用“工具——数据分析——回归” 方法二：逐步分析法 三、多元线性回归分析 方法二：逐步分析法 由于多元线性回归中，不同自变量或自变量组合与因变量之间的线性关系强度不同，因此，需要作出分别判断，以选择出最合适的自变量组合（回归系数最好的自变量组合）。 四、一元非线性回归 分析方法 1）添加趋势线 2）规划求解法 先利用趋势线进行判断出自变量与因变量间的非线性关系类别，再利用规划求解寻找最佳的回归系数 3）转化法 将非线性关系，利用数学变化转化为线性关系，然后进行求解。（可以用于一元多次方程回归分析） 某消费品13年销售额统计数据，试建立模型进行预测。 * 主讲人：郝增亮，haozl@126.com 中国石油大学（华东）经济管理学院 主要内容： 一、回归分析方法概述 二、一元线性回归分析 三、多元线性回归分析 四、一元非线性回归分析 一、