第13篇 相关数列分析.ppt

第13章 相关数列分析 本章主要阐述如何测定变量之间相关关系的紧密程度，以及如何用数学模型来描述具有相关关系的变量之间的联系形式。前者为相关分析，后者为回归分析、相关分析是回归分析的前提。 13.1 相关分析 13.1.1 相关关系的概念 13.1.2 相关关系的种类 1.按相关关系涉及的因素多少，可分为单相关与复相关。 2. 按相关关系的表现形式，分为直线相关和曲线相关。 3. 按相关关系的变动方向，分为正相关和负相关。 4. 按相关关系是否涉及有关影响因素，分为因相关和自相关。 13.1.3 简单相关系数 相关分析的内容主要是研究现象之间有无关系，相关关系的表现形式和密切程度。相关分析的方法主要有相关图表和相关系数等。当变量y与变量x之间具有线性相关时，可用简单相关系数测定它们之间的密切程度。计算公式为： 13.1.4 相关指数 简单相关系数只适用于两个变量间的直线相关的测定。而不适用于曲线相关和复相关的测定。若要测定曲线相关或复相关的紧密程度，则需要先进行回归分析，求出回归方程后，再由自变量 x 求出因变量 y 的估值 ，用下列公式计算相关指数（ R ）： 相关指数是一种广义的相关系数，线性相关与曲线相关，单相关与复相关均可应用。对于简单线性相关而言，相关指数与相关系数是一致的。但是对于曲线相关与复相关而言，相关指数与简单相关系数在含义上是不同的。 13.1.5 时间数列自相关 时间数列自相关是指某个变量（ y ）自身随时间不同，其数值在前后时期之间表现出一定的依存关系。或者说，任一具体时期的数值都和它前一期或前几期的数值之间存在一定的联系。研究时间数列本身的相关关系，对于分析社会经济现象发展变化的规律性和进行预测，具有重要的意义。 时间数列自相关也有正相关与负相关，直线相关与曲线相关，简单相关与复相关等不同的形态。下面着重介绍简单的直线自相关，即本期与前期或某一期数值相关。 13．2 一元线性回归 13.2.1 一元线性回归模型 1．两个变量 y 、x 之间必须存在着真实的线性相关关系； 2．两个变量 y 、x 之间不是对等的关系，一个是因变量，一个是自变量。 3．因变量 y 是随机变量，自变量x是非随机变量，是给定的数值。 4．回归系数 b 有正负之分，b 为正值，则 x 与 y 之间正相关；b 为负值，x 与 y 之间负相关。 13.2.2 一元线性回归模型的参数估计 一元线回归模型的 a、b 参数，通常采用最小二乘法估计。其要求是误差项 e 的平方和最小，即： 13.2.3 回归模型的评价与检验 1．拟合程度的测定。因变量y的各个观测值点聚集在回归直线 周围的紧密程度，称为回归直线对样本数据点的拟合程度。通常用可决系数 来表示。计算公式为： 3．回归系数 b 的显著性检验。回归系数 b 是一个估计值，若 y 与 x 之间不存在线性关系，则回归系数 b不具有显著性，所建立的回归方程是不能利用的。回归系数 b 的显著性检验采用 t 检验。其统计量为： 13.2.4 一元线性回归模型的应用 一元线性回归模型通过各种检验评价之后，则可利用回归模型进行有关问题的分析、预测和控制。其应用有以下几个方面： 1．边际分析和弹性分析。一元线性回归模型中的回归系数 b 就是平均边际变化率，它能说明 x 增加一个单位 y 能增加多少个单位。而要说明 x 增减1%，y 能增减百分之几，则可用下列公式测定平均弹性系数（E） 。 13.3 多元线性回归 13.3.1 多元线性回归模型 (2)自变量与因变量之间的线性相关必须是真实的，而不是形式上的； (3)自变量之间应具有一定的互斥性，即自变量之间的相关程度不应高于自变量与因变量之间的相关程度。 (4)自变量应具有完整的统计数据，其预测值容易确定。 13.3.2 多元线性回归模型的参数估计 用最小二乘法求解参数。以二元线性回归模型为例，求解回归参数的标准方程组为： 13.3.3 多元线性回归模型的检验与评价 1．拟合程度的测定。多重可决系数 ，它是在因变量的总变化中，由回归方程解释的变动(回归平方和)所占的比重， 越大，回归方程对样本数据点拟合的程度越强，所有自变量与因变量的关系越密切。计算公式为： 13.3.4 多元线性回归模型的应用 1．因素分析。因素分析是多元线性回归模型的—个重要应用，利用多元线性回归模型可以进行多因素分析。一是利用回归系数揭示变量间的结构关系，并能揭示主次因素；二是利用弹性系数揭示各个自变量的变动对因变量的影响程度，利用多元线性回归模型测定弹性系数 的计算公式为： 2．预测。利用多元线性回归模型进行预测，首先应确定各个自变量的预测值，然后代入回