-第章 相关分析与回归分析.pptVIP

第四章 相关分析与回归分析 4.1 简单相关分析 4.2 回归分析 4.3 非线性回归 变量之间的关系？ 函数关系：变量间确定的对应关系 相关关系：变量间某种非确定的依赖关系 相关分析：寻找变量间相关关系的规律 回归分析：借助于相应的函数描述上述规律 一、相关分析的基本概念 1. 散点图 散点图是描述变量之间关系的一种直观方法。 一组观测数据(xi，yi)，i =1,2,…, n , 用坐标的横轴代表自变量X，纵轴代表因变量Y， 每个数据(xi，yi)在坐标系中用一个点表示， 从散点图可以直观地看出变量之间的关系形态及关系强度。 (a) (b) (c) (d) 线性相关：如果变量之间的关系近似地表现为一条直线，如图 (a)和(b)； 非线性相关或曲线相关：如果变量之间的关系近似地表现为一条曲线，如图(c)； 完全不相关：如果两个变量的观测点很分散，无任何规律，则表示变量之间没有相关关系，如图(d)。 2. 相关系数 相关系数是对变量之间关系密切程度的度量。 1) 总体相关系数：根据总体全部数据计算， 其中COV(X，Y)为变量X 和Y 的协方差，D(X)和D(Y)分别为X 和Y 的方差。 2) 样本相关系数（简称相关系数）：根据样本数据 计算的， 一般情况下，总体相关系数ρ是未知的，通常是将样本相关系数r 作为ρ的近似估计值。 相关系数r 有如下性质： ● 取值范围：–1 ≤ r ≤ 1， 0 r ≤ 1，表明X与Y之间存在正线性相关关系， –1 ≤ r 0，表明X与Y之间存在负线性相关关系。 ● r = 1， 完全正线性相关关系； r = –1，完全负线性相关关系； r = 0， 不存在线性相关关系。 3. 相关系数的显著性检验 即检验总体相关系数是否显著为0， 通常采用费歇尔（Fisher）提出的t分布检验。 检验步骤： 1) 提出假设：假设样本是从一个不相关的总体中抽出的，即 H0：ρ = 0；H1：ρ ≠ 0 1) 提出假设：假设样本是从一个不相关的总体中抽出的，即 H0：ρ = 0；H1：ρ ≠ 0 2) 由样本计算检验统计量： p = P{| t | ≥ | t0 |} = 2P{t ≥ |t0|} 3) 进行决策： p ?，拒绝原假设H0； p ? ?，不能拒绝原假设H0。 4. 置信椭圆 可以生成两类置信椭圆： ● 均值置信椭圆：预测两变量均值的置信区域； ● 预测值置信椭圆：预测两变量分布个别观测值的置信区域。 关于预测值置信椭圆的两点说明： 1) 作为置信曲线：数据以设定的百分率（置信水平）落入的椭圆区域； 2) 作为相关性指标： 椭圆为圆—表明两个变量不相关，； 拉长的椭圆—椭圆长短轴之比来衡量相关的程度。 二、用INSIGHT模块作相关分析 【例4-1】一家大型商业银行在多个地区设有分行，其业务主要是进行基础设施建设、国家重点项目建设、固定资产投资等项目的贷款。 近年来，该银行的贷款额平稳增长，但不良贷款额也有较大比例的提高，这给银行业务的发展带来较大压力。 为弄清楚不良贷款形成的原因，希望利用银行业务的有关数据做些定量分析，以便找出控制不良贷款的办法。 表4-1是该银行所属的25家分行2002年的有关业务数据。 问题：(1) 不良贷款是否与贷款余额、应收贷款、贷款项目的多少、固定资产投资等因素有关? (2) 如果有，是一种什么样的关系?关系强度如何? 二、用INSIGHT模块作相关分析 1. 制作散点图 将表4-1中数据存放在数据集Mylib.bldk中。 1) 在INSIGHT模块中，打开数据集Mylib.bldk； 2) 选择菜单“Analyze”→“Scatter Plot (Y X)”； 3) 选定Y变量：Y；选X变量：x1、x2、x3、x4； 4) 单击“OK”按钮，得到变量的分析结果。 1.不良贷款(Y)与x1、x2、x3、x4之间都具有一定的线性关系。 2. Y 与x1的线性关系比较密切， 与x4之间的关系最不密切。 2. 相关系数计算 1) 在INSIGHT模块中，打开数据集Mylib.bldk； 2) 选择菜单“Analyze（分析）” →“Multivariate (Y X