如何进行相关性的分析.pptVIP

一、回归分析概述 二、一元线性回归模型 三、回归估计标准差 ★ ★ §6.2　一元线性回归分析 一元线性回归模型 对于经判断具有线性关系的两个变量y与x，构造一元线性回归模型为： 假定E(?)=0，总体一元线性回归方程： 一元线性回归方程的几何意义 截距 斜率 一元线性回归方程的可能形态 ?为正 ?为负 ?为0 总体一元线性 回归方程: 样本一元线性回归方程： 以样本统计量估计总体参数 斜率（回归系数） 截距 截距a 表示在没有自变量x的影响时，其它各种因素对因变量y的平均影响；回归系数b 表明自变量x每变动一个单位，因变量y平均变动b个单位。 (估计的回归方程) （一元线性回归方程） 随机干扰：各种偶然因素、观察误差和其他被忽视因素的影响 X对y的线性影响而形成的系统部分，反映两变量的平均变动关系，即本质特征。 一元线性回归方程 中参数a、b的确定： 最小平方法 基本数学要求： 整理得到由两个关于a、b的二元一次方程组成的方程组： 进一步整理，有： 【分析】因为工业总产值与能源消耗量之间存在高度正相关关系（ ），所以可以拟合工业总产值对能源消耗量的线性回归方程。 【例】建立工业总产值对能源消耗量的线性回归方程 资料 解：设线性回归方程为 即线性回归方程为： 计算结果表明，在其他条件不变时，能源消耗量每增加一个单位（十万吨），工业总产值将增加0.7961个单位（亿元）。 回归系数b与相关系数r的关系： r＞0 r＜0 r=0 b＞0 b＜0 b=0 一、回归分析概述 二、一元线性回归模型 三、回归方程的拟合优度与评价 ★ ★ §6.2　一元线性回归分析 ★ 离差平方和的分解 每个因变量y的实际值与其平均数之间存在的总离差（y- ）的平方和称为总离差平方和，简称总变差。 总变差 回归变差 估计值 与平均数 离差的平方和，称为回归变差（可解释变差）。 剩余变差 每个观察值y与估计值 的离差平方和，称为剩余变差（未解释变差。 剩余平方和 回归 平方和 总离差平方和 Lyy=U+Q 总离差平方和 回归平方和 剩余（误差）平方和 判定系数 是指因变量的总变差中可以被自变量解释部分的比例，即可解释因素的影响程度。用来说明因变量的变化有多少可通过自变量得到解释。是衡量拟合模型优劣的重要分析指标。 r2值越大，说明回归模型拟合得愈优。 判定系数与相关系数的关系 二者均可测定两变量的线性相关密切程度 判定系数与相关系数的区别： 判定系数无方向性（不能反映负相关），相关系数则有方向，其方向与样本回归系数 b 相同（可反映正相关，也可反映负相关）； 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。 估计标准误差 是因变量各实际值与其估计值之间的平均差异程度，表明其估计值对各实际值代表性的强弱；其值越小，回归方程的代表性越强，用回归方程估计或预测的结果越准确。可从一方面反映回归模型拟合的优劣状况。 在大样本条件下，可用公式计算： 【例】计算前面拟合的工业总产值对能源消耗量回归方程的回归标准差 资料 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误差的关系： 序号 能源消耗量（十万吨）x 工业总产值（亿元）y x2 y2 xy 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 35 38 40 42 49 52 54 59 62 64 65 68 69 71 72 76 24 25 24 28 32 31 37 40 41 40 47 50 49 51 48 58 1225 1444 1600 1764 2401 2704 2916 3481 3844 4096 4225 4624 4761 5041 5184 5776 576 625 576 784 1024 961 1369 1600 1681 1600 2209 2500 2401 2601 2304 3364 840 950 960 1176 1568 1612 1998 2360 2542 2560 3055 3400 3381 3621 3456 4408 合计 916 625 55086 26175 37887 返回首页 习题 统计学习题\test9相关与回归.htm 求职应注意的礼仪 求职时最礼貌的修饰是淡妆 面试时最关键的神情是郑重 无论站还是坐，不能摇动和抖动 对话时目光不能游弋不定 要控制小动作 不要为掩饰紧张情绪而散淡 最优雅的礼仪修养是体现自然 以一种修养面对两种结果 必须首先学会面对的一种结果----被拒绝 仍然感谢这次机会，因为被拒绝是面试后的两