1.1回归分析概述-8.20.pptVIP

第1章 回归分析概述;1、两个变量的关系;1 .1 变量间的函数关系与统计关系;1 .1-2 变量间的函数关系与统计关系;1 .1-3 变量间的函数关系与统计关系;1 .1-4 变量间的函数关系与统计关系;1 .1-5 变量间的函数关系与统计关系;1 .1-6 相关关系的类型;●?从变量相关关系变化的方向看 正相关——变量同方向变化 A 同增同减 (A) 负相关——变量反方向变化 一增一减 (B) B ● 从变量相关的程度看 完全相关 (B) 不完全相关 (A) C 不相关 (C);1.2 相关分析与回归分析;1.2-2 回归的现代意义; 1.2-3 相关分析与回归分析的联系;1.2-4 相关分析与回归分析的区别;1 .3 回归分析的主要内容及其一般模型;1.3-1 一元线性回归;描述因变量 y 如何依赖于自变量 x 和误差项? 的方程称为回归模型 一元线性回归模型可表示为 y = ?0 + ?1 x + ? y 是 x 的线性函数(部分)加上误差项 线性部分反映了由于 x 的变化而引起的 y 的变化 误差项 ? 是随机变量 反映了除 x 和 y 之间的线性关系之外的随机因素对 y 的影响 是不能由 x 和 y 之间的线性关系所解释的变异性 ?0 和 ?1 称为模型的参数; 例： 全国每年的技术贸易额与很多因素有关，但经过分析，它主要受全国GDP这一因素的影响和制约，于是，我们来寻求二者之间的统计规律，并进行预测。 以x表示自变量-----全国GDP数量，以y表示因变量-----全国技术贸易额。根据国家统计局公布的数字，将15年的数据列于下表;1.4-2 全国GDP数量和全国技术贸易额数据 ;1.4-3 全国GDP数量（x）和全国技术贸易额 （y）对应散点图 根据列表数据，我们可以在直角坐标系中绘出散点图：;1.4-4 设定回归方程;1.4-5 确定回归系数;最小二乘估计;;1.4-5 确定回归系数;1.4-6 相关性检验;1.4-6 相关性检验;1.4-6 相关性检验;除了前面所述的相关性检验，在我们接受某一模型之前，还需对它进行回归方程的显著性检验，回归系数的显著性检验，随机误差项的序列相关检验，异方差性检验，解释变量的多重共线性检验等一系列统计检验。 我们将下以后的课程中一一详述，在此略过。;1.4-8 预测及其置信区间 ;1.4-8 预测及其置信区间;教学情境设计;例1 从某大学中随机选取8名女大学生，其身高和体重数据如表1-1所示。;2.回归方程：;由于所有的样本点不共线，而只是散布在某一直线的附近，所以身高和体重的关系可以用线性回归模型来表示：;函数模型与“回归模型”的关系;注：e 产生的主要原因： (1)所用确定性函数不恰当； (2)忽略了某些因素的影响； (3)观测误差。;问题二：在线性回归模型中，e是用bx+a预报真实值y的随机误差， 它是一个不可观测的量，那么应如何研究随机误差呢？;随机误差;问题三：如何发现数据中的错误？如何衡量随机模型的拟合效果？;残差图的制作和作用： 制作：坐标纵轴为残差变量，横轴可以有不同的选择. 横轴为编号：可以考察残差与编号次序之间的关系， 常用于调查数据错误. 横轴为解释变量：可以考察残差与解释变量的关系，常用于研究模型是否有改进的余地. 作用：判断模型的适用性若模型选择的正确，残差图中的点应该分布在以横轴为中心的带形区域.;下面表格列出了女大学生身高和体重的原始数据以及相应的残差数据。;残差图的制作及作用。 坐标纵轴为残差变量，横轴可以有不同的选择； 若模型选择的正确，残差图中的点应该分布在以横轴为心的带形区域； 对于远离横轴的点，要特别注意。;误差与残差，这两个概念在某程度上具有很大的相似性， 都是衡量不确定性的指标，可是两者又存在区别。 误差与测量有关，误差大小可以衡量测量的准确性，误差越大则表示测量越不准确。误差分为两类：系统误差与 随机误差。其中，系统误差与测量方案有关，通过改进测量方案可以避免系统误差。随机误差与观测者，测量工具，被观测物体的性质有关，只能尽量减小，却不能避免。 残差――与预测有关，残差大小可以衡量预测的准确性。残差越大表