第2篇 古典线性回归模型.ppt

第2章 古典线性回归模型 一、古典线性回归模型 二、回归参数的估计 三、参数估计的性质 四、回归方程的显著性检验 五、中心化和标准化 六、相关阵与偏相关系数 七、预测 一、古典线性回归模型 1.多元线性回归模型的一般形式 一、古典线性回归模型 古典回归模型的一般形式 2. 古典回归模型的基本假定 3. 多元线性回归方程的解释 例1 二、满足古典假定下的参数估计 1. 普通最小二乘估计 2. 方差的估计 3. 回归参数的最大似然估计 三、 参数估计量的性质 四、回归模型的检验 什么是P 值?(P-value) P 值即显著性概率值 Significence Probability Value 是当原假设为真时得到比目前的 样本更极端的样本的 概率，所谓极端就是与原假设相背离 它是用此样本拒绝原假设所犯弃真错误的 真实概率，被称为观察到的(或实测的)显著性水平 双侧检验的P 值 左侧检验的P 值 右侧检验的P 值 利用 P 值进行检验的决策准则 若p-值 ≥ ?,不能拒绝 H0 若p-值 ＜ ?, 拒绝 H0 双侧检验p-值 =2×单侧检验p-值 五、 中心化和标准化 五、 中心化和标准化 五、 中心化和标准化 五、中心化和标准化 六、相关阵与偏相关系数 六、相关阵与偏相关系数 六、相关阵与偏相关系数 六、相关阵与偏相关系数 六、相关阵与偏相关系数 六、相关阵与偏相关系数 六、相关阵与偏相关系数 六、相关阵与偏相关系数 六、相关阵与偏相关系数 六、相关阵与偏相关系数 六、相关阵与偏相关系数 六、相关阵与偏相关系数 六、相关阵与偏相关系数 七、预测 H0值 临界值 a 拒绝域 抽样分布 1 - ? 置信水平 计算出的样本统计量 P 值 1 F检验 H0:β1=β2=…=βp=0 SST = SSR + SSE 当H0成立时服从 P(FF值) =P值 SSR/p SSE/(n-p-1) SSR SSE SST p n-p-1 n-1 回归 残差 总和 P值 F值 均方 平方和 自由度 方差来源 2 回归系数的显著性检验 t 检验的实质是检验解释变量是不是被解释变量的影响因素 H0j:βj=0, j=1,2,…,p ～Ｎ（β,σ２（Ｘ＇X）-1） 记 (Ｘ＇X)-1=（cij) i,j=0,1,2,… ,p 构造t统计量 其中 3 拟合优度检验 决定系数为： y关于x1,x2,…,xp的样本复相关系数 4. 检验的关系 （1）拟合优度检验与F检验 （2） F检验与t统计量 5. 经济检验 （1）判断参数的正负号 （2） 判断取值范围 1. 中心化 经验回归方程 经过样本中心 将坐标原点移至样本中心，即做坐标变换： 回归方程转变为： 回归常数项为 2. 标准化回归系数 样本数据的标准化公式为： 得标准化的回归方程 2. 标准化回归系数 当自变量的单位不同时普通最小二乘估计的回归系数不具有可比性，例如有一回归方程为: 其中x1的单位是吨, x2的单位是公斤 2. 标准化回归系数 标准化 回归系数 1. 样本相关阵 自变量样本相关阵 增广的样本相关阵为： 1. 样本相关阵 1.000 0.613 0.155 0.533 0.548 0.190 0.493 0.515 0.437 0.457 0.337 0.301 0.038 X12 0.613 1.000 0.241 0.895 0.906 0.649 0.666 0.705 0.849 0.855 0.760 0.758 0.257 X11 0.155 0.241 1.000 0.569 0.404 0.541 0.646 0.630 0.348 0.314 0.118 0.150 0.673 X10 0.533 0.895 0.569 1.000 0.931 0.834 0.821 0.850 0.892 0.889 0.686 0.719 0.575 X9 0.548 0.906 0.404 0.931 1.000 0.781 0.753 0.790 0.926 0.867 0.660 0.691 0.379 X8 0.190 0.649 0.541 0.834 0.781 1.000 0.703 0.740 0.887 0.885 0.602 0.663 0.741 X7 0.493 0.666 0.646 0.821 0.753 0.703 1.000 0.989 0.743 0.710 0.464 0.519 0.530 X6 0.515 0.705 0.630 0.850 0.790 0.740