中职数学基础模块下册“1元线性回归”课件.pptVIP

线性回归分析双变量模型 回归分析的含义 回归分析是研究一个叫做因变量的变量对另一个或多个叫做解释变量的变量的统计依赖关系。其用意在于，通过解释变量的已知值或给定值去估计或预测因变量的总体均值。 术语与符号 统计关系与确定性关系 统计（依赖）关系：非确定性的关系。在统计依赖关系中，主要处理的是随机变量，也就是有着概率分布的变量。特别地，因变量的内在随机性是注定存在的。 例如：农作物收成对气温、降雨、阳光以及施肥的依赖关系便是统计性质的。 这些解释变量固然重要，但是并不能使我们准确地预测农作物的收成。 确定性关系：函数关系。例如物理学中的各种定律。 回归与因果关系 回归分析研究因变量对于解释变量的统计依赖关系，但并不一定意味着因果关系。一个统计关系式，不管多强和多么具有启发性，都永远不能确立因果联系。 因果关系的确立必须来自于统计关系以外，最终来自于这种或那种理论（先验的或是理论上的）。 回归分析与相关分析（一） 相关分析：用相关系数测度变量之间的线性关联程度。例如：测度统计学成绩和高等数学成绩的的相关系数。假设测得0.90，说明两者存在较强的线性相关。 回归分析：感兴趣的是，如何从给定的解释变量去预测因变量的平均取值。例如：给定一个学生的高数成绩为80分，他的统计学成绩平均来说应该是多少分。 回归分析与相关分析（二） 在相关分析中，对称地对待任何两个变量，没有因变量和解释变量的区分。而且，两个变量都被当作随机变量来处理。 在回归分析中，因变量和解释变量的处理方法是不对称的。因变量被当作是统计的，随机的。而解释变量被当作是（在重复抽样中）取固定的数值，是非随机的。 （把解释变量假定为非随机，主要是为了研究的便利，在高级计量经济学中，一般不需要这个假定。） 双变量回归模型 （一元线性回归模型） 双变量回归模型 （最简单的回归模型） 模型特点 因变量（Y）仅依赖于唯一的一个解释变量(X)。 回归分析的内容与目的 1、通过样本数据去估计出因变量与解释变量的统计依赖关系式（总体回归函数）； 2、给定解释变量的取值，去估计因变量的均值； 3、假设检验； 4、根据样本外解释变量的取值，预测因变量的均值。 总体回归函数(Population regression function,PRF) 以函数形式（方程、模型）揭示出来的因变量与解释变量的统计依赖关系式。 假想例子 对每周博彩支出和每周个人可支配收入作回归分析。 因变量：每周博彩支出 解释变量：每周个人可支配收入 例子说明 在一个假想的经济社会中，共有100个人参与博彩。个人可支配收入分为10档，每档收入对应的博彩支出有10种情况。 “线性”一词的含义 线性的含义 对变量为线性 对参数为线性 （线性）总体回归函数（曲线） 总体回归函数 总体回归模型的随机形式 引入随机干扰项的意义 1、理论的不完全性 与因变量相关的因素很多，随机干扰项替代了未纳入模型的全部变量。 2、人类行为的内在随机性 随机因素永远存在 3、节省原则 模型是现实的简化，若无充分理由，宁简勿繁。 4、度量误差 总体回归函数 样本回归函数（曲线） 假设仅从总体中得到两组样本，样本容量均为10，对应每个X值均仅随机抽取一个Y值。 样本回归函数的特点 由于抽样的随机性，样本回归函数与总体回归函数总是不可避免存在差异。因此，样本回归函数过高或者过低估计总体回归函数自然是不可避免的。 可以说，任何SRF都仅仅是PRF的近似或者是估计。 样本和总体回归曲线（函数） 既然样本回归函数只是总体回归函数的一个近似，那么能不能设计一种规则或方法去构造SRF，以使得这种近似是一种尽可能“接近”的近似呢？ 设定样本回归函数的形式 样本回归函数的形式应该与总体回归函数一致。原因很简单，构造样本回归函数是为了估计总体回归函数，所以形式上应该一致。 对应于总体回归函数的两种形式，样本回归函数也应该有两种形式。 1、确定样本回归函数 样本回归函数的非随机形式 2、随机样本回归函数 样本回归函数的随机形式 样本回归函数的非随机形式 样本回归函数的随机形式 样本和总体回归曲线（函数） 样本回归函数形式 普通最小二乘法Method of ordinary least squares(OLS) 最小二乘估计量的推导 解方程 最小二乘估计量的特点 最小二乘估计量的数值性质 经典线性回归模型 基本假定 经典线性回归模型的基本假定(又称“古典、高斯或标准线性回归模型” )Classical linear regression model,CLRM 此假定意味着，我们所进行的回归分析是条