第11章相关和回归分析剖析.ppt

第11章 相关和回归分析 学习目标 相关关系的分析方法 一元线性回归的基本原理及其分析应用的基本步骤 掌握回归分析的基本概念、基本原理及其分析应用的基本步骤； 掌握使用软件求解回归方程及其运行输出结果的分析与使用； 能应用回归分析方法解决实际问题（分析各种变量间的关系，进行预测和控制） 11.1 变量间关系的度量 11.1.1变量间的关系 确定型的函数关系 不确定型的函数关系—相关关系 确定型的函数关系 是一一对应的确定关系 设有两个变量 x 和 y ，变量 y 随变量 x 一起变化，并完全依赖于 x ，当变量 x 取某个数值时， y 依确定的关系取相应的值，则称 y 是 x 的函数，记为 y = f (x)，其中 x 称为自变量，y 称为因变量 各观测点落在一条线上 函数关系(几个例子) 不确定型的函数关系—相关关系(correlation) 变量间关系不能用函数关系精确表达 一个变量的取值不能由另一个变量唯一确定 当变量 x 取某个值时，变量 y 的取值可能有几个 各观测点分布在直线周围 相关关系(几个例子) 相关分析及其假定 相关分析要解决的问题 变量之间是否存在关系？ 如果存在关系，它们之间是什么样的关系？ 变量之间的关系强度如何？ 样本所反映的变量之间的关系能否代表总体变量之间的关系？ 为解决这些问题，在进行相关分析时，对总体有以下两个主要假定 两个变量之间是线性关系 两个变量都是随机变量 相关关系的描述与测度(散点图) 相关关系的种类 （一）按变量之间相关的程度 1、完全相关 2、完全不相关 3、不完全相关 （二）按变量之间相关关系的表现形式 1、线性相关 2、非线性相关 （三）对线性相关，按相关的方向 1、正相关 2、负相关 散点图(scatter diagram) 散点图(例题分析) 【例】一家大型商业银行在多个地区设有分行，其业务主要是进行基础设施建设、国家重点项目建设、固定资产投资等项目的贷款。近年来，该银行的贷款额平稳增长，但不良贷款额也有较大比例的增长，这给银行业务的发展带来较大压力。为弄清不良贷款形成的原因，管理者希望利用银行业务的有关数据进行定量分析，以便找出控制不良贷款的办法。下面是该银行所属的25家分行2002年的有关业务数据 散点图(例题分析) 散点图(不良贷款对其他变量的散点图) 相关关系的描述与测度(相关系数) 协方差（covariance） 相关系数(correlation coefficient) 反映两个变量共同变化的程度，是变量之间关系强度的一个统计量 总体相关系数，记为? 样本相关系数，简称为相关系数，记为 r 也称为线性相关系数(linear correlation coefficient) 或称为Pearson相关系数 (Pearson’s correlation coefficient) 积差法公式进一步化简如下： Pearson相关的使用条件 两个变量都是数值型数据。 两个变量之间是线性关系，都是连续数据。 两个变量的总体是正态分布，或接近正态的单峰分布。 两个变量的观测值之间相互独立。 相关系数的性质 性质1：r 的取值范围是 [-1,1] |r|=1，为完全相关 r =1，为完全正相关；r = -1，为完全负相关 r = 0，不存在线性相关关系 -1?r0，为负相关； 0r?1，为正相关 |r|越趋于1表示关系越强；|r|越趋于0表示关系越弱 相关系数的性质 性质2：r具有对称性。即x与y之间的相关系数和y与x之间的相关系数相等，即rxy= ryx 性质3：r数值大小与x和y原点及尺度无关，即改变x和y的数据原点及计量尺度，并不改变r数值大小 性质4：仅仅是x与y之间线性关系的一个度量，它不能用于描述非线性关系。这意味着，r=0只表示两个变量之间不存在线性相关关系，并不说明变量之间没有任何关系 性质5：r虽然是两个变量之间线性关系的一个度量，却不一定意味着x与y一定有因果关系 性质6：相关系数没有倍数的意义 ?用Excel计算相关系数—函数-CORREL/Pearson —工具-数据分析-相关系数 相关系数的显著性检验 相关系数的显著性检验( r 的抽样分布) 1. r 的抽样分布随总体相关系数?和样本容量n的大小而变化 当?为较大的正值时，r 呈现左偏分布；当?为较小的负值时，r 呈现右偏分布。 所以，用正态分布检验r存在很大风险，可用t分布。 相关系数的显著性检验(检验的步骤) 1. 检