体育统计教程作者雷福民权德庆第7章回归分析课案.pptVIP

7.1 一元线性回归分析 在研究两个变量之间的关系时，一般是先将两个变量的n对观察值所对应的点在直角坐标系中做出散点图，当散点图呈直线趋势时，也就是两变量具有直线相关关系时，从专业知识角度分析两个变量间存在因果关系，常把其中的原因变量叫自变量，用X表示，而把结果变量（依赖于X而变化的量）叫因变量，用Y表示，这时可采用一元线性回归分析法。 7.1.1 模型的求法 1. 理论回归模型 从理论上讲因变量与自变量的线性关系可用下式表示： (7-1) 式7-1中， 和 是固定的但未知的参数， 是常数项， 是理论回归系数； 是随机误差项，它可由多种因素引起。对于每一组可以观察到的因变量、自变量数值 ,式7-1可以表示成： (7-2) 其中，假定各个 是互不相关的，其总体均值0，总体方差为 。 2. 实际回归模型的求法 7.1.2 回归模型的检验 利用样本数据建立回归模型时，做以下几种假定： ①变量X与Y存在线性关系； ②回归余项线性独立； ③回归余项服从正态分布，即 。 在这种条件下得到的估计值a、b是参数 、 的最小方差无偏估计，但尽管这些估计值是较理想和实用的，但此回归模型是否合理，以及回归模型的优劣需要被评价，回归模型的检验就是用各种统计检验方法来判别模型的实用性。 1. 回归方程的检验（方差分析） 在计算时，常用如下公式： （7-10） 上述回归方程检验问题常总结于方差分析表（简称ANOVA）中，由表7-2给出。 2. 回归系数的检验 建立回归方程后，不仅可以用方差分析法检验回归方程的效果是否显著，还可以通过与其等价的回归系数的t检验方法得到判别。 3. 回归剩余标准差的检验 （1）回归剩余标准差的检验 回归残差 有助于衡量回归模型拟合样本数据的程度。应用线性回归分析，需要计算回归剩余标准差，回归剩余标准差是表示回归方程用来预测的精度标志，可用来检验模型预测的可靠程度。回归剩余标准差记作 ： （7-12） 注意：在体育科研中一般都是进行微观研究，比如预测运动员的运动成绩，这时用回归方程进行预测的效果通常不能满足实际需要，回归方程的预测对于宏观研究效果会更好。 4. 拟合优度检验 7.2 多元线性回归分析 7.2.1 模型的求法 1. 理论回归模型 2. 实际回归模型的求法 式7-15写成矩阵形式，其中： 注意：在求多元回归方程的回归系数时，要求自变量之间不能存在线性关系，在应用中应多加注意。 7.2.2 回归模型的检验 1. 回归方程的检验（方差分析） 2. 回归系数的显著性检验 3. 拟合优度检验 7.2.3 异方差问题 1. 异方差产生的原因 体育社会现象是错综复杂的，因而在建立回归模型时，经常会出现某一因素或一些因素随着解释变量（自变量）观测值的变化而对被解释变量（因变量）产生不同的影响，导致随机误差项产生不同的方差；当样本数据为时间序列数据时也会出现异方差，因为此时随机误差项会随时间而变化；异常值（离群点）会导致异方差；用样本平均数作为样本数据时也会出现异方差；等等。 2. 异方差带来的问题 当在多元回归分析时存在异方差问题时，仍用普通的最小二乘法求回归系数，将会使最小二乘法的使用的有效性遭到破坏。会使得到的回归系数估计值虽是无偏的，但不满足渐近有效性，并使得参数的显著性检验失效，使得到的回归方程效果不理想。 3. 异方差的诊断方法 关于异方差的诊断，统计学家进行了大量地研究，目前，已有很多种方法问世，但没有一种最权威的方