统计学第四版袁卫庞皓贾俊平杨灿统计学第七章课件.pptVIP

最小二乘估计的性质 ——高斯—马尔可夫定理 前提： 在基本假定满足时 最小二乘估计是因变量的线性函数 最小二乘估计是无偏估计，即 在所有的线性无偏估计中，回归系数的最小二乘估计的方差最小。 结论： 回归系数的最小二乘估计是最佳线性无偏估计 的无偏估计 为什么要估计 ？ 确定所估计参数的方差需要 由于 不能直接观测， 也是未知的 对 的数值只能通过样本信息去估计。 怎样估计 ？ 可以证明 的无偏估计为： 四、 拟合优度的度量 基本思想：样本回归直线是对样本数据的一种拟合，不同估计方法可拟合出不同的回归线。样本回归拟合优度的度量建立在对因变量总离差平方和分解的基础上 总离差平方和 回归平方和 残差平方和 可决系数定义： 对可决系数的理解 可决系数的特点 可决系数是非负的统计量； 可决系数取值范围： ； 可决系数是样本观测值的函数，可决系数是随抽样而变动的随机变量； 在一元线性回归中，可决系数在数值上是简单线性相关系数的平方： ， 7．3线性回归的显著性检验 与回归预测 一、回归系数显著性t检验 二、一元线性回归模型的预测 一、回归系数显著性的 t 检验 目的： 根据样本回归估计的结果对总体回归函数回归 系数的有关假设进行检验，以检验总体回归系数是 否等于某个特定的数值。 思想： 是未知的，而且不一定能获得大样本，这时可用 的无偏估计 代替 去估计参数的标准误差： 回归系数显著性的 t 检验(续) 用估计的参数标准误差对估计的参数作标准化变 换，所得的 t 统计量将不再服从正态分布，而是服 从 t 分布： 可利用 t 分布作有关的假设检验。 回归系数显著性 t 检验的方法 (1) 提出假设 一般假设: 常用假设: (2) 计算统计量 (3)给定显著性水平α，确定临界值 (4) 检验结果判断 若 则拒绝原假设，而接受备择假设 若 则接受原假设 , 拒绝备择假设 回归系数显著性的P值检验——P值的意义 P值的意义: 在既定原假设下计算回归系数的t统计量 ，可求得 统计量大于 的概率 ： 这里的 是 t 统计量大于 值的概率，是尚不能拒 绝原假设 的最大显著水平，称为所估 计的回归系数的P值。 回归系数显著性的P值检验 ——检验方法 回归系数显著性的P值检验方法: 将所取显著性水平与P值对比 ▲所取的显著性水平 （例如取0.05）若比P 值更大，就可在显著性水平 下拒绝 ▲所取的 若小于P值，就应在显著性水平 下接受 二、一元线性回归模型预测 对平均值的点预测值 ： y的个别值置信度为1－α的预测区间： 因变量的区间预测的特点 （1）个别值的预测区间大于平均值的预测区间: y平均值的预测值与真实平均值有误差，主要是受抽样波动影响; y个别值的预测值与真实个别值的差异不仅受抽样波动影响，而且还受随机扰动项的影响 （2）对 预测区间随 变化而变化: 时， =0，此时预测区间最窄， 越是远离 ， 越大，预测区间越宽。 因变量的区间预测的特点(续) （3）预测区间与样本容量有关：样本容量n越 大， 越大，预测误差的方差越小， 预测