线性回归分析分解.pptVIP

一元线性;一元线性回归模型;默认的假设;2、y与x是相关关系。 建立的模型为随机性模型，即模型中含有随机变量ε。 否则，建立的模型为确定性模型。此时，y与x是函数关系。;3、 y与x是线性关系。 建立的模型为线性模型。（用线性方程式表示） 否则，需建立非线性模型。（用非线性方程式表示）;4、y与x为同期值。 建立的模型为静态模型。 否则，需建立动态模型，如分布滞后模型、自回归模型等。;5、y为随机变量，而x为确定性变量，且无测量误差。 说明模型分析的对象是y。 需确定y的概率分布。;6、y与x均为数值型变量。 若x为品质型变量，则需建立虚拟变量模型。 若y为品质型变量，则需建立Probit模型或Logistic模型。 ;7、模型中随机误差项ε的期望为0。 说明模型中的x变量是影响y变化的主要因素。 次要因素和随机因素对y的影响通过随机误差项ε来反映。 次要因素和随机因素对y的影响有正有负，正负抵消，故随机误差项ε的期望为0。;8、模型中随机误差项ε的方差为常量σ2。 σ2的值不随x的取值变化而变化。 目的是为了用x的变化来解释y的变化。 视x的不同取值对y的影响程度是相同的。;9、模型中的随机误差项ε服从正态分布，即 。 该假定的依据是中心极限定理。 目的是确定y的分布。;10、模型中的参数（回归系数）β0、β1为确定值。 建立的模型为固定参数模型。 否则，需建立变参数模型。;一元线性回归方程;一元线性回归模型与方程的含义;经典假设（Gauss-Markov假设）;2、 有此假设，才能得到 说明随机误差项ε中，只有随机因素，即没有遗漏对y产生重要影响的解释变量。;3、 有此假设，才能得到;4、 有此假设，才能得到 说明在模型中，除x以外，对y产生影响的因素是完全随机、相互独立、互不相关的。既无自相关现象。;5、 有了这一假定，才能把x与x以外的因素对y的影响严格区分开来，以便用x来解释y的变化。 说明x为非随机变量。;经典假设的概括;多元线性回归模型;回归的标准化模型 表示在其他变量不变的情况下，自变量的每单位的绝对变化引起的因变量均值的绝对变化量。 表示自变量的1%相对变化（相对于 ）引起的因变量均值的相对变化百分数（相对于 ）;多元与一元的区别;若 相关，则需路径分析。以便从xi 与y的相关系数中，分离出xi对y的直接效应与间接效应，从而确定对xi的取舍。;y关于x的路径图（p=3）;路径分析模型;y关于x的路径图的解读（p=3）;Date;路径系数的含义与作用;路径系数有两种 一种是反应外生变量影响内生变量的路径系数，通常用 表示。如 ，表示由 到 的路径系数。路径系数的下标有两个，第一个表示所指向的结果变量，如指向 ，则路径系数的第一个下标为1；第二个表示原因变量，如指向的原因变量是 ，则第二个下标为2，路径系数就为 。 另一种是反映内生变量影响内生变量的路径系数，通常用 表示，下标的规则同上。如 为箭头指向的结果变量， 为原因变量，则路径系数为 。;2、路径系数的作用 路径系数可以用来衡量变量之间的影响程度或变量的效应大小。 标准化系数是对数据进行标准化处理后得到的，因而没有计量单位，可以在同一模型中进行不同系数的比较。系数为正，表明自变量对因变量的影响是正向的；系数为负，表明其影响是负向的。 一般来说，系数的绝对值越大，表明其影响作用越大。;xi对y的效应分解;1、直接效应 反映原因变量（外生或内生变量）对结果变量（内生变量）的直接影响，其大小等于原因变量到结果变量的路径系数。如 等。 ;2、间接效应 反映原因变量通过一个或多个中间变量对结果变量所产生的影响。 如果只有一个中间变量，间接效应是两个路径系数的乘积；如果中间变量不止一个，间接效应是所有从原因变量出发，通过所有中间变量结束于结果变量的路径系数乘积。如;3、总效应 是原因变量对结果变量的效应总和，包括直接效应和间接效应。 总效应=直接效应+间接效应 如 对 的总效应等于 ;多元与一元的区别;3、回归模型有三种不同的表现形式。;4、回归系数和判定系数的称呼和意义的不同。 称为偏回归系数，意味其他x不变时， xi对y的影响程度。 称为复判定系数，反映y的变化中，所有x的影响份额所占的比重。 ;5、多了一个调整的判定系数 。 是自变量不同的模型比较分析所需。 判定系数与调整的判定系数之间的关系为;6、样本容量应大于或等于模型中待估