第10单元 预测.pptVIP

回归系数b的显著性检验 回归系数b是一个估计值，若y与x之间不存在线性相关关系，则回归系数b不具有显著性，所建立的回归方程则不能被利用。 回归系数b的显著性检验由于要使用参数的t值，因而也称为参数的t检验。 统计量的计算公式为： 式中：Sb是参数b的标准差；Sy为回归标准差。 由所选择的显著性水平a和自由度(n-2)查t分布表，可得临界值tc。 若︱tb ︱tc，则参数b的t检验通过，回归系数显著，变量X与Y之间的线性假设合理。 若︱tb ︱tc，则参数的t检验未通过，回归系数不显著，说明对于变量X与Y之间的线性假设不合理，意味着模型中的自变量无法较好的解释预测对象的变化，应重新考虑。 回归方程的显著性检验 整个回归方程是否具有显著性，是否适用于预测，仍然需要检验 。 回归方程的显著性检验，是利用方差分析所提供的F统计量，检验预测模型的总体线性关系的显著性，也被称为方程的F检验。 统计量的计算公式为： 由所选择的显著性水平a和自由度(1，n-2)查F分布表，可得临界值Fa。 若F Fa ，则方程的F检验通过，回归方程显著。 若F Fa ，则方程的F检验未通过，回归方程不显著 。 对于一元线性回归方程而言，由于只有一个自变量，故t检验和F检验是等价的，可只作一个检验即可。 D.W.检验 当回归模型是根据动态数据建立的，则误差项e也是一个时间序列，若误差序列各项之间相互独立，则误差序列各项之间没有相关关系；若误差序列各项之间存在密切的相关关系，则建立的回归模型就不能表述自变量与因变量之间的真实变动关系。 D.W.检验就是误差序列的自相关检验。 统计量d(D.W.值)的计算公式为： 由所选择的显著性水平a、自变量个数k和样本数量n，查D.W.分布表，可得下限值dL和上限值du，再运用下列原则进行判别： 若dL d 4 - du ，无自相关； 若0 d dL ，存在自相关； 若4 - dL d ≤ 4 ，存在负相关； 若dL ≤ d ≤ du ，难以判定； 若4 - du ≤ d ≤ 4 - dL ，难以判定。 多元线性回归分析 现实中，因变量的变化往往受几个重要因素的影响，故需要用两个或两个以上的影响因素作为自变量来解释因变量的变化，即为多元回归或多重回归。 当多个自变量与因变量之间是线性关系时，则所进行的回归分析为多元线性回归。 多重回归分析法因自变量个数的多少，可分为二重(元)、三重(元)或更多重(元)，在以下的阐述中，以k表示自变量的数量。 预测对象作为因变量Y，诸影响因素为自变量Xj(j = 1,2,…,k)，Y与各个X之间存在的线性关系，理论上可表述为： 式中：b0是回归常数；bj (j = 1,2,…,k)虽未知但均为某一固定数值，称为回归系数；e是除Xj (j = 1,2,…,k)外的，可以忽略的随机因素，称为随机干扰项。 同一元线性回归模型一样，我们是无法得到b0, bj (j = 1,2,…,k)的精确值的，唯一可行的办法是，通过对Y及诸X的大量实际观察值的统计处理，得到其估计值b0,b1,…,bj，从而Y与诸X之间的线性关系可以表述为： 式中：b0是实际回归常数； bj(j = 1,2,…,k)是实际回归系数；e是回归余项，也称为残差项。 同样的，回归余项e的变化往往无法预测，因此，实际的预测模型为： 同一元线性回归一样，可用最小二乘法求解参数，为方便描述，计算公式用矩阵形式表达。 多元线性回归模型的矩阵形式为：Y=Xb+e 式中： 其中：b是特定参数向量；e是残差向量，遵从正态分布；X是已知的n×(k+1)常数矩阵，由自变量的各个观察值构成；Y是已知的n×1常数矩阵，由因变量的各个观察值构成。 则利用最小二乘法，参数向量b的估计值为： 式中：X’是矩阵X的转置矩阵，(X’X)-1是矩阵(X’X)的逆矩阵。 同一元线性回归一样，多元线性回归模型也要进行必要的评价与检验。 拟合优度评价 公式、意义、判别准则均同一元线性回归 回归系数的显著性检验 也是通过计算各回归系数的t值进行的。 回归系数bj的t值统计量计算公式： (j = 1,2,…,k) 根据给定的显著性水平a(通常为0.05)，查t分布表中自由度为n-k-1的的临界值tc。将计算的t值与查得的tc比较，若 ，则参数的t检验通过。否则，t检验未通过。 回归方程的显著性检验(方程的F检验) 回归模型的F统计量计算公式为： 根据显著性水平a，以自由度n1=k, n2=n-k-1 查F分布表得临界值。 判别准则同一元线性回归。 D.W.检验 同一元线性回归 多重共