第七章 相关与回归分析幻灯片.ppt

第七章 相关与回归分析 【内容提要】 本章介绍相关与回归分析。第一节介绍相关分析：相关系数的计算及检验。第二节介绍一元线性回归分析：一元线性回归模型的估计及检验。第三节简单介绍了多元线性回归分析。 第一节 相关分析 一、相关分析概述 客观现象之间的数量联系存在着两种不同的类型：一种是函数关系，一种是相关关系。 所谓函数关系指的是两事物之间的一种一一对应的关系，即当一个变量x取一定值时，另一个变量y可以依确定的函数取唯一确定的值。 记为 y = f (x)，其中 x 称为自变量，y 称为因变量。 如：S = ? R2 R=PQ 几何表达：各观测点落在一条线上。 相关关系是指现象之间存在着非严格的、不确定的依存关系。 几何表达：各观测点分布在直线周围。 如商品的消费量(y)与居民收入(x)之间的关系 商品销售额(y)与广告费支出(x)之间的关系 粮食亩产量(y)与施肥量(x1) 、降雨量(x2) 、温度(x3)之间的关系 收入水平(y)与受教育程度(x)之间的关系 父亲身高(y)与子女身高(x)之间的关系 相关关系的种类 相关关系可以从不同的角度进行分类： （1）按照相关关系涉及变量（或因素）的多少，相关关系可分为单相关和复相关。 （2）按照相关关系的表现形式不同，相关关系可分为线性相关和非线性相关。 （3）按照相关现象变化的方向不同，相关关系可分为正相关和负相关。 相关关系的图示 相关表和相关图 要判别现象之间有无相关关系，可编制相关表，绘制相关图，以便直观地判断现象之间相关关系的方向、形态及大致的密切程度。 （1）相关表 （2）相关图 相关图又称散点图。它是以直角坐标系的横轴代表变量x，纵轴代表变量y，将两个变量间相对应的变量值用坐标点的形式描绘出来，用来反映两变量之间相关关系的图形。 正线性相关 二、简单线性相关系数 1、简单线性相关系数的含义 简单线性相关系数就是对两个变量之间线性关系密切程度及相关方向度量的指标，也简称相关系数，又称皮尔逊（Pearson）相关系数。根据总体数据所计算出来的相关系数，称为总体相关系数。总体相关系数的计算公式为： 式中：Cov(x,y)为变量x和变量y的协方差，Var(x)是变量x的方差，Var(y)是变量y的方差。 r 的取值范围是 [-1,1] |r|=1，为完全相关 r =1，为完全正相关 r =-1，为完全负正相关 r = 0，不存在线性相关关系相关 -1?r0，为负相关 0r?1，为正相关 |r|越趋于1表示关系越密切；|r|越趋于0表示关系越不密切 根据实际数据计算出的r，其取值一般在[-1,1]之间，在说明两个变量之间的线性关系的密切程度时，根据经验可将相关程度分为以下几种情况：当≥0.8时，可视为高度相关；0.5≤＜0.8时，可视为显著（中度）相关；0.3≤＜0.5时，视为低度相关；＜0.3时，说明两个变量之间的相关程度极弱，可视为不相关。 3、相关系数的计算 为了便于手工计算，样本相关系数常常采用以下的简便公式进行手工计算： 三、Spearman等级相关系数 Spearman等级相关系数的基本原理是以两变量间的序数等级差来反映两个观察序列的一致性程度。 若没有重复观测值时，Spearman等级相关系数的公式可变为： = 式中，di表示样本单位属于x等级与y的等级的级差，即。 样本等级相关系数的取值范围是（-1，1） 。=1时，说明样本等级完全正相关；当=-1时，样本等级完全负相关；当=0时，说明样本等级不相关；当01时，越接近1，正相关越高；当-10时，越接近-1，负相关越高。 第二节 一元线性回归分析 在两变量间存在线性相关关系的情况下，为了明确二者联系的具体数量依存规律，需要进行回归分析。 一、回归分析概述 回归分析是根据相关关系的形态，选择一个合适的数学模型，来近似地表达变量间的平均变化关系。 在回归分析中，我们把被预测或被解释的变量称为因变量，用y表示；把用来预测或用来解释因变量的变量称为自变量用x表示。例如，在分析收入对消费的影响时，消费的多少在一定程度上能有由收入来解释。因此，消费是因变量，又称被解释变量；用来预测或解释消费的收入就是自变量，又称解释变量。 根据所处理的自变量的个数，可将其划分为一元回归分析和多元回归分析。研究一个自变量的回归分析称为一元回归，或简单回归；研究两个或两个以上自变量的回归分析称为多元回归分