第十章相关与回归案例.pptVIP

回归分析法产生的历史 回归分析法。由著名的英国生物学家、统计学家高尔顿（F.Gallton）——达尔文的表弟所创。 早年，高尔顿致力于化学和遗传学领域的研究。 他研究父亲们的身高与儿子们的身高之间的关系时，建立了回归分析法。 父亲们的身高与儿子们的身高之间关系的研究 1889年F.Gallton和他的朋友K.Pearson收集了上千个家庭的身高、臂长和腿长的记录 企图寻找出儿子们身高与父亲们身高之间关系的具体表现形式 下图是根据1078个家庭的调查所作的散点图（略图） 从图上虽可看出，个子高的父亲确有生出个子高的儿子的倾向，同样地，个子低的父亲确有生出个子低的儿子的倾向。得到的具体规律如下： 如此以来，高的伸进了天，低的缩入了地。他百思不得其解，同时又发现某人种的平均身高是相当稳定的。最后得到结论：儿子们的身高回复于全体男子的平均身高，即“回归”——见1889年F.Gallton的论文《普用回归定律》。 后人将此种方法普遍用于寻找变量之间的规律 回归分析 通过一个变量x或一些变量(x1,x2,x3…)的变化解释另一变量y的变化.即根据相关关系的数量表达式（回归方程式）与给定的自变量x，揭示因变量y在数量上的平均变化和求得因变量的预测值的统计分析方法 回归：退回regression 回归方程 回归模型 反映自变量和因变量之间数学联系的表达式。 某一类回归方程的总称。 自变量(independent variable):解释变量，给定的或可以控制的、用来解释、预测因变量的变量。 因变量(dependent variable):响应变量，由自变量来解释其变化的变量。 X Y X Y ? ? ? ? ? ? ? ? 回归分析的内容和步骤 1、根据理论和对问题的分析判断， 区分自变量和因变量； 2、设法找出适合的数学方程式(即 回归模型)描述变量间的关系 3、对回归模型进行统计检验； 4、统计检验通过后，利用回归模型，根据解释变量去估计，预测 因变量。 回归分析的分类 根据变量的多少分为： 简单回归 多元回归 只有一个自变量和一个因变量的回归 自变量数目在两个或两个以上 根据建立的回归模型形式分为： 线性回归 非线性回归 从所拟合的回归模型来看，一变量表现为其它变量的线性组合。 从所拟合的回归模型来看，一变量表现为其它变量的非线性组合 回归分析与相关分析 理论和方法具有一致性； 无相关就无回归，相关程度越高，回归越好； 相关系数和回归系数方向一致，可以互相推算。 联系： 相关分析中x与y对等，回归分析中x与y要确定自变量和因变量； 相关分析中x、y均为随机变量，回归分析中只有y为随机变量； 相关分析测定相关程度和方向，回归分析用回归模型进行预测和控制。 回归分析与相关分析 区别： 简单线性回归模型 指根据成对的两个变量的数值，配合直线方程式，根据自变量的变动，来推算因变量发展变动趋势的方法，其模型为： 其中：Yi表示因变量Y在总体中某一个具体的观察值；Xi表示在研究总体中自变量X的具体观察数值；A与B是参数，称为回归系数；εi是一个随机变量，其平均数为0，方差为σ2. 总体回归模型 总体一元线性回归模型： 模型参数 误差项 假定： E(?)=0 总体一元线性回归方程： 在实际应用中，我们对X和Y所代表的总体往往不可能全面的观察和了解，而只能从中抽取部分资料作为样本，并通过样本提供的信息来认识总体，找出总体回归模型的估计式，其估计式的方程式可写为: 简单线性回归模型 其中：a，b和ei分别为A、B及εi的估计量。 由于抽样的随机性，使样本回归线不可能与总体回归完全重合，从而会出现样本回归函数高估或低估总体回归函数的情况，我们能做的就是设法使样本回归函数尽可能接近总体回归函数，也就是说要使回归方程参数的估计值a、b尽量接近总体真实参数A、B。 样本回归模型 * 第一节 相关分析概述 第二节 简单线性回归模型 第十章 相关与回归分析 相关分析的意义 相关分析概述 社会经济现象中，一些现象与另一些现象之间往往存在着依存关系，当我们用变量来反映这些现象的的特征时，便表现为变量之间的依存关系。 在分析变量的依存关系时，我们把变量分为两种： 自变量 因变量 引起其他变量发生变化的量。 受自变量的影响发生对应变化的量 现象之间的相互关系，可以概括为两种不同的类型： （一）函数关系 （二）相关关系 例如：家庭收入决定消费支出，收入的变化必然引起消费支出的变化，这两个变量中收入是自变量，而消费支出则是因变量。 相关分析的意义 函数关系 指变量之间存在着确定性依存关系。即当一个或一组变量每取一个值时，相应的另一个变量必然有一个确定值与之对应 。 函数关系可以用一