《统计学》chap09_相关与回归分析.pptVIP

基本假设 解释变量所形成的矩阵X中的解释变量列之间不存在完全相关(即完全共线性)，样本容量的个数应大于解释变量的个数。 独立、同分布、零均值 正态分布的假定条件： 参数估计 与一元线性回归方程的参数估计原理一样, 应该使得估计值与观测值y之间的残差在所有样本点上达到最小，即使Q达到最小 参数的最小二乘估计值为： 回归标准误差 模型评价-拟合优度 可决系数 修正的可决系数 模型评价-显著性检验1 整个回归方程的检验 模型评价-显著性检验2 总体相关系数(续) (随机变量) (数) 样本相关系数 例9.2 Pearson相关系数，样本相关系数 例9.2 EXCEL: pearson( ) correl( ) 图9.5 从二元总体中抽取的一个随机样本 为什么要检验？ * 相关回归 第九章 相关与回归分析 南京财经大学统计学系 高等教育出版社 高等教育电子音像出版社 本章内容 一、相关关系的概念和分类 二、线性相关关系的识别 三、一元线性回归分析 四、多元线性回归分析 五、非线性回归分析 相关分析与回归分析是现代统计学中非常重要的内容，在自然、管理科学和社会经济领域有着十分广泛的应用。 在分析变量之间关系的时，常用的基本模型: (1)相关模型; (2)回归模型 实践中到底使用哪种模型取决于研究者的研究目的和数据的收集方式和条件。 相关分析与回归分析 相关分析 用一个指标来表明现象间相互依存关系的密切程度。 回归分析 根据相关关系的具体形态，选择一个合适的数学模型，来近似地表达变量间关系。 一、相关关系的概念和分类 （一）函数关系和相关关系 （二）相关关系的分类 相关程度、 相关方向、 相关形式、 变量多少、 相关性质 二、线性相关关系的识别 （一）散点图 （例子） 最简单、最直观的识别方法, 但难以给出相关的程度. （二）直线相关系数 直线相关系数的设计思想 总体相关系数与Pearson相关系数 相关系数的检验 三、一元线性回归分析 估计方法：普通最小二乘估计 、回归标准误差 — 的估计 模型评价：可决系数、显著性检验 预测方法：点预测，区间预测 将代入回归方程得=181.5830+0.4414×10000=4595.5628（元） 一元线性回归模型的概念 回归分析的任务之一是通过样本对回归系数 进行估计。 四、多元线性回归分析 多元线性回归模型的一般形式 基本概念：回归系数、被解释变量（因变量）、解释变量（自变量）、多元回归、 随机误差项 总体模型 多元线性回归模型的矩阵形式 单个回归系数的检验 用软件演示估计结果、预测值并给与解释 例9.7 Excel计算的结果 当x1=40，x2=1700时，代入方程可得：y=7213.633(吨) 五、非线性回归分析 线性回归模型的结构特点: (1) 被解释变量是解释变量的线性函数—变量线性 (2) 被解释变量也是参数的线性函数—参数线性 根据实际分析建立的模型往往不符合上述线性特点，尤其是不满足关于参数线性，这类模型称为非线性模型。 处理非线性回归模型的方法有两种： (1) 能够通过变量变换把非线性回归转化为线性回归的模型，先变换，再运用线性回归的OLS方法进行估计。 (2) 不能通过变量变换转化为线性回归的模型，利用非线性最小二乘法或极大似然法直接估计 非线性模型转换成线性模型的常用方法:直接和间接代换法 一、直接替代法 1、多项式 2、双曲 3、对数 4、S形 二、间接替代法 1、指数函数 2、幂函数 函数关系：对一个或几个变量任意一个取值，另一个变量都有唯一确定值与之相对应，这种关系确定性的关系称为函数关系。 如某种商品的销售额Y与该商品的销售量X以及价格P之间的关系可以表示为Y=PX，这就是一种函数关系。 一般把作为影响因素的变量称为自变量；把发生对应变化的变量称为因变量。Y是因变量，P与X是自变量。 函数关系 相关关系：当一个或几个相互联系的变量取一定数值时，与之相对应的另一变量的值虽然不确定，但它仍按某种规律在一定的范围内变化，这种不确定的相互关系，称为相关关系 如：劳动生产率与工资水平的关系, 家庭支出和收入的关系，人的体重和身高的关系。 相关关系不能用函数精确表达, 但经常用一定的函数形式去近似地描述。 相关关系 按相关程