第四章回归剖析.pptVIP

第四章 相关与回归分析 第四章 相关与回归分析 4.1 概述 4.2 一元线性回归 4.3 一元非线性回归 4.4 多元线性回归 4.5 多元非线性回归 4.1 概述 4.1.1 变量间相互关系 4.1.2 相关关系的种类 4.1.3 回归分析的内容 4.1.1 变量间相互关系 1、函数关系 定义：完全确定的数量关系。 某一（组）变量与另一变量间存在着一一对应的关系。 例： 计件工资（y）与产量（x） y=f(x)=10x; X0=1件，y0=10元；x1=2件，y1=20元 原材料消耗总额（y）与产量（x1）、单位产量消耗（x2）和原材料价格（x3） y=x1*x2*x3 2、相关关系 1、定义：不完全确定的关系。 某一（组）变量与另一变量间有关系但并非一一对应。 例如：身高y与体重x： A：x=60kg、y=1.70m；B：x=60kg、 y=1.70m； C：x=60kg、y=1.68m；D：x=60kg、 y=1.65m； 表述：y=f(x)+ε。 影响身高的因素：体重、遗传、锻炼、睡眠质量…… 这些变量间都存在着十分密切的关系，但不能由一个或几个变量的值精确地求出另一个变量的值。统计学中把这些变量间的关系成为相关关系，把存在相关关系的变量称为相关变量。 相关变量间的关系一般分为两种： 一种是因果关系，即一个变量的变化受另一个或几个变量的影响。 另一种是平行关系，它们互为因果或共同受到另外因素的影响。 统计学上采用回归分析（regression analysis）研究呈因果关系的相关变量间的关系，表示原因的变量称为自变量，表示结果的变量为因变量。 研究“一因一果”，即一个自变量与一个因变量的回归分析称为一元回归分析； 研究“多因一果”，即多个自变量与一个因变量的回归分析称为多元回归分析。 一元回归分析又分为线性回归分析与非线性回归分析两种；多元回归分析又分为多元线性回归分析与多元非线性回归分析两种。 统计学上采用相关分析（correlation analysis）研究呈平行关系的相关变量之间的关系。 对两个变量间的直线关系进行相关分析称为简单相关分析（也叫直线相关分析）。 对多个变量进行相关分析时，研究一个变量与多个变量间的线性相关称为复相关分析；研究其余变量保持不变的情况下两个变量间的线性相关称为偏相关分析。 变量之间的确定性关系与相关关系，在一定条件下是可以相互转变的。本来具有函数关系的变量，当存在试验误差时，其函数关系往往以相关的形式表现出来。 相关关系虽然是不确定的，却是一种统计关系，在大量的观察下，往往会呈现出一定的规律性，这种规律性可以通过大量试验值的散点图反映出来，也可以借助相应的函数式表达出来，这种函数被称为回归函数或回归方程。 4.1.2 相关关系的种类 1、按相关的程度分 完全相关：函数关系； 不相关：没有关系； 不完全相关。 2、按相关的方向分 正相关：变量的变动方向一致（同增同减）； 负相关：变量的变动方向相反（一增一减）。 4、按影响因素的多少分 1）单（简）相关：只有一个自变量； 例：学习成绩与学习时间；血压与年龄；亩产量与施肥量。 2）复（多元）相关：两个或两个以上的自变量； 例：经济增长与人口增长、科技水平、自然资源、管理水平等之间的关系； 3）偏相关: 就多个变量测定其中两个变量的相关程度而假定其他变量不变。 4.1.3 回归分析的内容 回归分析主要解决以下几方面的问题： 1、确定几个特定变量之间是否存在相关关系，如果存在相关关系，确定它们之间合适的数学表达式，并对它可信度做统计检验。 2、进行因素分析，确定因素的主次以及因素之间的相互关系。（也即判断变量是否有显著影响） 3、根据一个或几个变量的值，预报或控制另一个变量的取值，并且要知道这种预报或控制的精确度等。 4.2 一元线性回归分析—最简单的线性回归分析 4.2.1 一元线性回归要解决的问题 一元线性回归就是寻求两个变量间的线性统计及回归分析。若其相关关系的统计规律性呈线性关系则称为一元线性回归分析。要解决的问题有： 1、求变量x与y之间的回归直线方程。 2、判断变量x与y之间是否确为线性关系。 3、根据一个变量的值，预测或控制另一变量的取值。 4.2.2 一元线性回归方程的建立 假设从总体中抽取几个单元组成样本，样本各单元在自变量X与因变量Y的观察值（xi,yi）(i=1,2,…,n)。将这n对观察值点绘在直角坐标纸上，成一散点图。 从散点图可以看出： 两个变量间有关或无关；若有关，两个变量间关系类型，是直线型还是曲线型； 两个变量间直线关系的性质（是正相关还是负相关）和程度（是相关密切还是不密切）； 散点图直观地、定型地表示了两个变量之间的关系。为了探讨它们之间的规律性，还必须根据观察值