第二节 元线性回归分析.doc

窗体顶端 第二节 一元线性回归分析 本节主要内容： 回归是分析变量之间关系类型的方法，按照变量之间的关系，回归分析分为：线性回归分析和非线性回归分析。本节研究的是线性回归，即如何通过统计模型反映两个变量之间的线性依存关系。 回归分析的主要内容： 1. 从样本数据出发，确定变量之间的数学关系式； 2. 估计回归模型参数； 3. 对确定的关系式进行各种统计检验，并从影响某一特定变量的诸多变量中找出影响显著的变量。 一、一元线性回归模型： 一元线性模型是指两个变量x、y之间的直线因果关系。 理论回归模型： 理论回归模型中的参数是未知的，但是在观察中我们通常用样本观察值估计参数值，通常用分别表示的估计值，即称回归估计模型： 回归估计模型： 二、模型参数估计： 用最小二乘法估计： 【例3】实测某地四周岁至十一岁女孩的七个年龄组的平均身高（单位：厘米）如下表所示 某地女孩身高的实测数据 建立身高与年龄的线性回归方程。 根据上面公式求出b0=80.84,b1=4.68. 三．回归系数的含义 （2）回归方程中的两个回归系数，其中b0为回归直线的启动值，在相关图上变现为x=0时，纵轴上的一个点，称为y截距；b1是回归直线的斜率，它是自变量（x）每变动一个单位量时，因变量（y）的平均变化量。 （3）回归系数b1的取值有正负号。如果b1为正值，则表示两个变量为正相关关系，如果b1为负值，则表示两个变量为负相关关系。 [例题·判断题]回归系数b的符号与相关系数r的符号，可以相同也可以不同。（ ） 答案：错误 解析：回归系数b的符号与相关系数r的符号是相同的 [例题·判断题]在回归直线yc=a+bx,b0,则x与y之间的相关系数（ ） a.r=0 b.r=1 c.0r1 d.-1r0 答案：d 解析：b0,则x与y之间的相关系数为负即-1r0 [例题·单选题]回归系数和相关系数的符号是一致的，其符号均可用来判断现象（ ） a.线性相关还是非线性相关 b.正相关还是负相关 c.完全相关还是不完全相关 d.单相关还是复相关 答案：b 解析：回归系数和相关系数的符号是一致的，其符号均可用来判断现象正相关还是负相关 四．回归方程的评价与检验： 当我们得到一个实际问题的经验回归方程后，还不能马上就进行分析与预测等应用，在应用之前还需要运用统计方法对回归方程进行评价与检验。 进行评价与检验主要是基于以下理由：第一，在利用样本数据估计回归模型时，首先是假设变量y与x之间存在着线性关系，但这种假设是否存在需要进行检验；第二，估计的回归方程是否真正描述了变量y与x之间的统计规律性，y的变化是否通过模型中的解释变量去解释需要进行检验等。 一般进行检验的内容有： 1.经济意义的检验： 利用相关的经济学原理及我们所积累的丰富的经验，对所估计的回归方程的回归系数进行分析与判断，看其能否得到合理的解释。 2.回归方程的统计检验： 包括回归方程的显著性检验（f检验）和对回归系数的检验（t检验）。 （1）线性回归方程的显著性检验——f检验 线性回归方程的显著性检验即方差分析检验法，它是对所有参数感兴趣的一种显著性检验。其检验步骤为： 第一步：提出假设。 原假设 备择假设 第二步：构造f统计量 在h0成立的条件下，有： 第二自由度为n-2，其中n为样本容量。 （2）回归系数的显著性检验——t检验 回归系数的显著性检验是检验解释变量x对因变量y 的影响是否显著。 首先：提出假设。 原假设 备择假设 如果h0成立，则因变量y对解释变量x之间并没有真正的线性关系，即x的变化对y并没有显著的线性影响。 其次：计算检验统计量t，并得出对应的概率值（伴随概率）。 检验统计量： （为回归系数的标准差） 最后：根据伴随概率进行判断：如果伴随概率（sig.值）小于我们事先确定的显著性水平时，拒绝原假设，接受备择假设，即解释变量x对y的线性效果显著。否则，不能拒绝原假设，认为x对y的线性效果不显著。 一元线性回归分析时，由于只有一个解释变量，因此t检验与f检验的结果是一致的。 3.回归方程的评价——拟合程度分析： 拟合程度是指估计的回归方程是否很接近因变量，即估计的精确度。而估计的精确度如何取决于回归方程对观测数据的拟合程度。最常用的指标就是——判定系数。 1.判定系数 判定系数是用来说明回归方程对观测数据拟合程度的一个度量值，以一元线性回归方程为例，若各观测值数据（xi,yi）在坐标系上形成的散点都落在一条直线上，那么这条直线就是对数据的完全拟合，直线充分代表了各个点，此时，用x估计y是没有误差的。各观测点越是紧密围绕直线，说明直线对观测数据的拟合程度越好，判定系数越高，反之则越差，判定系数越小。 总变差平方和=回归平方和+残差平方和 判定系数的取值范围在【0，1】，=1时，拟合是完全的，即所