8—1第八讲简单回归分析—刘媛媛.pptVIP

第十二章 简单回归分析;本章内容 第一节 简单线性回归 第二节 线性回归的应用 ; 双变量计量资料：每个个体有两个变量值 总体：无限或有限对变量值 样本：从总体随机抽取的n对变量值 （X1,Y1）, （X2,Y2）, …, （Xn,Yn） 目的：研究X和Y的数量关系 方法：回归与相关 简单、基本——直线回归、直线相关; ; 儿子身高（Y，英寸）与父亲身高（X，英寸）存在线性关系： 也即高个子父代的子代在成年之后的身高平均来说不是更高，而是稍矮于其父代水平，而矮个子父代的子代的平均身高不是更矮，而是稍高于其父代水平。Galton将这种趋向于种族稳定的现象称之“回归”; “回归”已成为表示变量之间某种数量依存关系的统计学术语，相关并且衍生出“回归方程”“回归系数”等统计学概念。如研究糖尿病人血糖与其胰岛素水平的关系，研究儿童年龄与体重的关系等。;一、线性回归的概念及其统计描述;; 在定量描述健康人凝血酶浓度（X）与凝血时间(Y)数据的数量上的依存关系时，将凝血酶浓度称为自变量(independent variable)，用 X 表示；凝血时间称为应变量(dependent variable)，用 Y 表示;图12-1 凝血酶浓度（X）与凝血时间（Y）的散点分布; 由图12-1可见，凝血时间随凝血酶浓度的增加而减低且呈直线趋势，但并非所有点子恰好全都在一直线上，此与两变量间严格的直线函数关系不同，称为直线回归（linear regression）,其方程叫直线回归方程，以区别严格意义的直线方程。回归是回归分析中最基本、最简单的一种，故又称简单回归。 ; 为各X处Y的总体均数的估计。;1．a 为回归直线在 Y 轴上的截距;2. b为回归系数，即直线的斜率;二、回归模型的前提假设; ;图12-2 回归模型前提假设示意图;残差(residual)或剩余值，即实测值Y与假定回归线上的估计值 的纵向距离 。 求解a、b实际上就是“合理地”找到一条能最好地代表数据点分布趋势的直线。; ;本例：n=15 ΣX=14.7 ΣX2=14.81 ΣY=224 ΣXY=216.7 ΣY2=3368;;Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile 5.2.0.0. Copyright 2004-2011 Aspose Pty Ltd.;例题分析步骤;3、计算有关指标的值 4、计算回归系数和截距 5、列出回归方程; ;为 的标准误;（二）回归方程的假设检验 ;Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile 5.2.0.0. Copyright 2004-2011 Aspose Pty Ltd.;Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile 5.2.0.0. Copyright 2004-2011 Aspose Pty Ltd.;1．方差分析 ;Y的离均差，总变异;数理统计可证明： ;上式用符号表示为 ;Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile 5.2.0.0. Copyright 2004-2011 Aspose Pty Ltd.;上述三个平方和，各有其相应的自由度 ，并有如下的关系： ;Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile 5.2.0.0. Copyright 2004-2011 Aspose Pty Ltd.;式中 ;2、t 检验 ; 检验例12-1数据得到的直线回归方程是否成立？ ; 方法1：方差分析;方差分析表 ;方法2：t 检验;提示：;（三）总体回归系数 的可信区间; 本例b=-6.9802, 自由度=13，t0.05,13=2.16，Sb=0.78655, 代入公式（12-7）得参数β的95%置信区间为 =（-8.6791 ~ -5.2813） ;Evaluati