一元线性回归模型.ppt

* * Total sum of squares,TSS Explained sum of squares,ESS Residual sum of squares,RSS * 总平方和分解的意义 TSS——因变量的总变异 ESS——解释变量引起的因变量 的变异 RSS——解释变量以外的因素引 起的因变量的变异 * 称为“判定系数” * “判定系数”的含义和性质 判定系数度量了因变量的总变异在多大比例上可以由回归模型来解释。也即度量了回归模型的拟合优度。 判定系数在0到1之间。 计算公式 * 判定系数与样本相关系数的关系 * * 如何报告回归结果 报告内容 样本回归函数 回归系数的标准误 t统计值（原假设为总体回归系数等于零） t统计值的P值 判定系数 自由度 * 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种结果之一。 被拒绝是招聘单位对我们综合考虑的结果，因为我们最关心的是自己什么地方与用人要求不一致，而不仅仅是面试中的表现。 不要欺骗自己，说“我本来就不想去”等等。 认真考虑是否有必要再做努力。 必须学会欣然面对的一种结果----被接纳 以具体的形式感谢招聘单位的接纳，如邮件、短信 考虑怎样使自己的知识能力更适应工作需要 把走进工作岗位当作职业生涯的重要的第一步，认真思考如何为以后的发展开好头。 Thank you * * * * 二、无偏性 * * 三、最小方差性 * 四、一致性 一致性的一个充分条件： 估计量无偏，而且随着样本容量趋于无穷，其方差趋于零。 * 至此，虽然已经在经典线性回归模型的基本假定之下推导出了最小二乘估计量的若干统计性质，但疑问仍然存在！ * * 经典正态线性回归模型 在经典线性回归模型基本假定的基础上增补正态假定 随机干扰项正态性假定的依据？ 中心极限定理 独立随机变量，随着变量个数的无限增加，其和的分布一般来说近似服从正态分布。 * 正态性假定下OLS估计量的概率分布 * * * 自由度(df)degrees of freedom 自由度取值的一般规律 * * * 知道了统计量的概率分布，从而可以很方便地进行区间估计和假设检验。 * 回归系数显著性检验（t检验） 一、设计检验方案 * * 二、构造检验统计量（随机变量） * 三、计算检验统计值 * 四、选择一定的显著性水平，根据检验方案确定拒绝域和非拒绝域。 五、察看检验统计值落入哪个区域。如果落入拒绝域，那么表明在该显著性水平下，检验是统计上显著的，说明总体参数显著异于假设值。 六、也可以根据检验方案直接计算出获得该统计值的单侧或双侧P值。如果该P值小于给定的显著性水平，那么拒绝原假设。陈述同上。 * 例 题 做钟表年代对钟表价格的回归分析，检验钟表年代对钟表价格是否存在显著影响。 回归结果如下： * 检验方案 原假设：钟表价格的总体回归系数等于零 （表明钟表年代不影响钟表价格） 备选假设：钟表价格的总体回归系数不等于零 （表明钟表年代影响钟表价格） * Variable Coefficient Std. Error t-Statistic Prob. AGE 10.48562 1.793729 5.845711 0.0000 C -191.6662 264.4393 -0.724802 0.4742 * * 0 P值检验 * * * 统计显著 统计不显著 * 检验结果陈述 在0.01的显著性水平下，钟表价格的总体回归系数统计上显著异于零。 也可以说，给定显著性水平为0.01，钟表年代对钟表价格有显著影响。 * 回归系数显著性检验的意义 含义：检验模型中解释变量与因变量的关系是否显著。 如果某个解释变量的回归系数经检验统计不显著，那么就有理由怀疑这个解释变量进入模型的价值。 回归系数显著性检验可以帮助筛选模型的解释变量。 * 回归模型的拟合优度检验 Y X * Y X * * 样本和总体回归曲线（函数） Y X * 样本回归函数形式 也就是说，如何构造SRF以使得 尽可能接近真实的 ， 尽可能接近真实的 ？ 如何确定样本回归函数的参数？ * 普通最小二乘法Method of ordinary least squares(OLS) * 样本 Y X * 样本 Y X 最小二乘原理：构造合适的估计量，使得残差平方和（residual sum of squares,R