2.4一元线性模型的统计检验技术总结.pptVIP

例题 例题 * §2.4 一元线性回归模型的统计检验Statistical Test of Simple Linear Regression Model 一、拟合优度检验 二、变量的显著性检验 三、参数的置信区间 说 明 回归分析是要通过样本所估计的参数来代替总体的真实参数，或者说是用样本回归线代替总体回归线。 尽管从统计性质上已知，如果有足够多的重复 抽样，参数的估计值的期望（均值）就等于其总体的参数真值，但在一次抽样中，估计值不一定就等于该真值。 那么，在一次抽样中，参数的估计值与真值的差异有多大，是否显著，这就需要进一步进行统计检验。 主要包括拟合优度检验、变量的显著性检验及参数的区间估计。 一、拟合优度检验Goodness of Fit, Coefficient of Determination 1、回答一个问题 拟合优度检验：对样本回归直线与样本观测值之间拟合程度的检验。 问题：采用普通最小二乘估计方法，已经保证了模型最好地拟合了样本观测值，为什么还要检验拟合程度？ 2、总离差平方和的分解 Y的i个观测值与样本均值的离差 由回归直线解释的部分 回归直线不能解释的部分 离差分解为两部分之和 对于所有样本点，则需考虑离差的平方和： 记 总体平方和（Total Sum of Squares） 回归平方和（Explained Sum of Squares） 残差平方和（Residual Sum of Squares ） TSS=ESS+RSS Y的观测值围绕其均值的总离差(total variation)可分解为两部分：一部分来自回归线(ESS)，另一部分则来自随机势力(RSS)。 在给定样本中，TSS不变， 如果实际观测点离样本回归线越近，则ESS在TSS中占的比重越大，因此 拟合优度：回归平方和ESS/Y的总离差TSS 3、可决系数R2统计量 是一个非负的统计量。取值范围：[0，1] 越接近1，说明实际观测点离回归线越近，拟合优度越高。 随着抽样的不同而不同。为此，对可决系数的统计可靠性也应进行检验，这将在第3章中进行。 二、变量的显著性检验 Testing Significance of Variable 说明 在一元线性模型中，变量的显著性检验就是判断X是否对Y具有显著的线性性影响。 变量的显著性检验所应用的方法是数理统计学中的假设检验。 通过检验变量的参数真值是否为零来实现显著性检验。 1、假设检验（Hypothesis Testing） 所谓假设检验，就是事先对总体参数或总体分布形式作出一个假设，然后利用样本信息来判断原假设是否合理，即判断样本信息与原假设是否有显著差异，从而决定是否接受或否定原假设。 假设检验采用的逻辑推理方法是反证法。先假定原假设正确，然后根据样本信息，观察由此假设而导致的结果是否合理，从而判断是否接受原假设。 判断结果合理与否，是基于“小概率事件不易发生”这一原理的。 2、变量的显著性检验—t检验 用σ2的估计量代替，构造t统计量 对总体参数提出假设：H0：?1=0，H1：?1?0 由样本计算t统计量值； 给定显著性水平(level of significance)?，查t分布表得临界值(critical value)t ?/2(n-2)； 比较，判断： 若 |t| t ?/2(n-2)，则以（1－α）的置信度（confidence coefficient）拒绝H0 ，接受H1 ； 若 |t|? t ?/2(n-2)，则以（1－α）的置信度不拒绝H0 。 自学教材例题，学会检验的全过程。 3、关于常数项的显著性检验 T检验同样可以进行。 一般不以t检验决定常数项是否保留在模型中，而是从经济意义方面分析回归线是否应该通过原点。 *