第五章简单的相关与回归分析精选.ppt

STAT 当 SSR = SST 时，为完全的拟合，残差平方和为 0 ，判定系数为 1 。 判定系数的意义 当 SSE= SST 时，为最差的拟合，残差平方和最大 ，判定系数为 0 。 判定系数的意义 四、判定系数 ㈠判定系数的概念与意义 ㈡判定系数的计算 ㈢判定系数与r、Se 判定系数的计算 STAT 0 -10 -7 -9 -2 5 3 -5 4 13 8 95546 7426 8000 7776 9020 10292 10080 8840 10492 12180 11440 - 47.29 49.45 51.61 53.76 55.92 58.08 60.24 62.39 64.55 66.71 估计值 1670 158 160 162 164 166 168 170 172 174 176 身高 0 33032 279220 570 -9.71 -7.55 -5.39 -3.24 -1.08 1.08 3.24 5.39 7.55 9.71 2209 2500 2304 3025 3844 3600 2704 3721 4900 4225 24964 25600 26244 26896 27556 28224 28900 29584 30276 30976 47 50 48 55 62 60 52 61 70 65 A B C D E F G H I J 体重 学生 四、判定系数 ㈠判定系数的概念与意义 ㈡判定系数的计算 ㈢判定系数与r、Se 判定系数与相关系数 STAT 判定系数与相关系数 判定系数的平方根即皮尔逊积矩相关系数。 判定系数无方向性，相关系数则有方向，其方向与样本回归系数 b (b1) 相同。 判定系数说明变量值的总离差平方和中可以用回归线来解释的比例，相关系数只说明两变量间关联程度及方向。 相关系数有夸大变量间相关程度的倾向，因而判定系数是更好的度量值。 STAT 　　估计标准差越小，则变量间相关程度越高，回归线对Y的解释程度越高。 判定系数与估计标准差 第三节 回归的显著性检验与预测应用 一、回归的显著性检验 二、回归方程的估计、预测应用 　　回归分析(regression):通过一个或几个变量的变化去解释另一变量的变化。包括找出自变量与因变量、设定数学模型、检验模型、估计预测等环节。 STAT 一、回归分析概述 ㈠回归的含意 ㈡自变量与因变量 ㈢回归分析的种类 STAT 自变量(independent variable):解释变量，给定的或可以控制的、用来解释、预测应变量的变量。 因变量(dependent variable):响应变量，由自变量来解释其变化的变量。 X Y X Y ? ? ? ? ? ? ? ? 一、回归分析概述 ㈠回归的含意 ㈡自变量与因变量 ㈢回归分析的种类 回归分析分类 按自变量个数分类 一元回归简单回归 多元回归复回归 按方程式特征分类 线性回归 非线性回归 一 元线性回归 Simple Linear regression STAT 第二节 一元线性回归分析 一、回归分析概述 二、一元线性回归模型 三、回归估计误差 四、判定系数 二、一元线性回归模型 ㈠模型的基本形式 ㈡最小二乘法 ㈢模型的假定 总体一元线性回归模型： 模型参数 误差项 假定： E(?)=0 总体一元线性回归方程： STAT 一元线性回归方程的几何意义 一元线性回归线的可能形态 截距 斜率 ?1为正 ?1为负 ?1为0 STAT STAT 样本一元线性回归方程：(估计的回归方程) 总体未知参数 以样本统计量估计总体参数 回归系数 回归系数 二、一元线性回归模型 ㈠模型的基本形式 ㈡最小二乘法 ㈢模型的假定 最小二乘法(Least squares method):以极小化 为目标的求估计方程的过程。 残差(Residual):e 求 a、b 的公式： STAT 95546 7426 8000 7776 9020 10292 10080 8840 10492 12180 11440 xy - 47.291 49.448 51.606 53.764 55.921 58.079 60.236 62.394 64.552 66.709 估计值 ? 1670 158 160 162 164 166 168 170 172 174 176 身高 x 0 33032 279220 570 ? -0.291 0.552 -3.606 1.236 6.079 1.921 -8.236 -1.394 5.448 -1.709 2209 2500 2304 3025 3844 3600 2704 3721 4900 4225