2.1 一元回归模型(自学).pptVIP

于是，在1-?的置信度下，总体均值E(Y|X0)的置信区间为 2、总体个值预测值的预测区间 从而在1-?的置信度下，Y0的置信区间为 3、例题—收入-消费支出 样本回归函数为 则在 X0=1000处，?0 = 142.4+0.670×1000=812.4 因此，总体均值E(Y|X=1000)的95%的置信区间为： （ 812.4－2.306?27.6，812.4+2.306?27.6） （748.8, 875.9） 同样地，对于Y在X=1000的个体值，其95%的置信区间为： （812.4 - 2.306?59.1，812.4 + 2.306?59.1） (676.1, 948.7) 1、回答一个问题 拟合优度检验：对样本回归直线与样本观测值之间拟合程度的检验。 问题：采用普通最小二乘估计方法，已经保证了模型最好地拟合了样本观测值，为什么还要检验拟合程度？ 2、总离差平方和的分解 Y的i个观测值与样本均值的离差 由回归直线解释的部分 回归直线不能解释的部分 离差分解为两部分之和 对于所有样本点，则需考虑离差的平方和： 记 总体平方和（Total Sum of Squares） 回归平方和（Explained Sum of Squares） 残差平方和（Residual Sum of Squares ） TSS=ESS+RSS Y的观测值围绕其均值的总离差(total variation)可分解为两部分：一部分来自回归线(ESS)，另一部分则来自随机势力(RSS)。 在给定样本中，TSS不变， 如果实际观测点离样本回归线越近，则ESS在TSS中占的比重越大，因此 拟合优度：回归平方和ESS/Y的总离差TSS 3、可决系数R2统计量 是一个非负的统计量。取值范围：[0，1] 越接近1，说明实际观测点离回归线越近，拟合优度越高。 随着抽样的不同而不同。为此，对可决系数的统计可靠性也应进行检验，这将在第3章中进行。 二、变量的显著性检验 Testing Significance of Variable 说明 在一元线性模型中，变量的显著性检验就是判断X是否对Y具有显著的线性性影响。 变量的显著性检验所应用的方法是数理统计学中的假设检验。 通过检验变量的参数真值是否为零来实现显著性检验。 1、假设检验（Hypothesis Testing） 所谓假设检验，就是事先对总体参数或总体分布形式作出一个假设，然后利用样本信息来判断原假设是否合理，即判断样本信息与原假设是否有显著差异，从而决定是否接受或否定原假设。 假设检验采用的逻辑推理方法是反证法。先假定原假设正确，然后根据样本信息，观察由此假设而导致的结果是否合理，从而判断是否接受原假设。 判断结果合理与否，是基于“小概率事件不易发生”这一原理的。 2、变量的显著性检验—t检验 用σ2的估计量代替，构造t统计量 对总体参数提出假设：H0：?1=0，H1：?1?0 由样本计算t统计量值； 给定显著性水平(level of significance)?，查t分布表得临界值(critical value)t ?/2(n-2)； 比较，判断： 若 |t| t ?/2(n-2)，则以（1－α）的置信度（confidence coefficient）拒绝H0 ，接受H1 ； 若 |t|? t ?/2(n-2)，则以（1－α）的置信度不拒绝H0 。 自学教材p48例题，学会检验的全过程。 3、关于假设检验的讨论—如何建立假设 为什么一般将需要检验的命题作为备择假设？ 从统计学角度 0假设必须包含“=”，备择假设不能出现“=”。 It is important to remember that no matter how the problem is stated, the null hypothesis will always contain the equal sign. The equal sign will never appear in the alternate hypothesis. Why is this so? Because the null hypothesis is the statement being tested. We turn to the alternate hypothesis only if we prove the null hypothesis to be untrue. 为什么一般将需要检验的命题作为备择假设？ 从统计学角度 犯第一类错误（弃真）的概率α小于犯第二类错