第10章 回归分析.docVIP

第10章 回归分析 回归分析是解决一个变量与另一个变量或者是一个变量与一组变量之间的依存关系的统计方法，在经济和金融研究及应用中有十分广泛的应用；例如，分析投资对国家经济增长的拉动作用，分析利率及消费者物价指数（CPI）的变动和存款金额的依存关系等等。在回归分析中，将自由变化的量称为自变量，将受自变量影响而变化的量称为因变量。自变量和因变量的确定是回归分析首先要解决的一个重要问题，一般说来，自变量和因变量之间都存在因果关系，自变量通常是可以被控制或者研究比较透彻的量，表示原因；而因变量通常是不易控制或者了解不深入的变量，通过研究自变量和因变量的关系可以通过自变量影响因变量或者通过对自变量的研究了解因变量的变化，表示结果；习惯上将表示原因的变量选为自变量，表示结果的变量确定为因变量。例如第一个例子中投资就是自变量，经济增长是因变量，相对来说投资可以控制，而经济增长难于控制，但是可以通过投资影响经济增长；第二个例子中利率和消费者物价指数是自变量，存款金额是因变量，存款金额的变化规律难于了解，但是可以通过对CPI和利率的研究间接了解其变化。 回归分析与相关分析的关系非常密切，但是两者又有区别：两者都是研究变量之间关系的方法，但两者侧重不同，相关分析着重说明变量之间的关系密切程度，对变量之间的关系没有要求，变量地位是对等的，同时也不能具体说明一个变量的变化将如何影响另一个变量；回归分析着重说明变量之间依存关系，即因变量是如何依靠自变量的因果关系，因此，回归分析要求变量有因变量和自变量之分，变量地位不再对等，同时将说明自变量的变化将怎样导致因变量变化，获取的信息比相关分析丰富。在统计研究中，可以将回归分析作为相关分析的后续分析，首先说明变量之间有密切关系，在区分变量的因果关系后，进一步分析变量之间关系的具体形式。在SPSS中，相关分析主要依靠菜单Correlate来完成，而回归分析主要依靠菜单Regression来完成。 图10-1 回归分析菜单 回归分析有多种分类标准，按照变量之间依存关系的类型，回归可以分为线性回归和非线性回归；在SPSS中，分别对应Regression菜单下的Linear菜单和Curve Estimation，菜单如图10-1所示；按照回归中自变量的多少，可以将回归分为一元回归和多元回归，前者主要研究一个变量与另一个变量的关系，而后者研究一个变量和一组变量的依存关系；将两种关系进行组合，可以得到四种回归模型，分别是一元线性回归，一元非线性回归，多元线性回归，多元非线性回归，我们将详细讨论四种模型的差异和处理方法的不同；另外，SPSS中还提供一些处理特殊数据的特殊回归模型，例如Logistic回归模型，Probit回归模型等都在SPSS中有对应处理菜单，这些都在图10-1中标出，也会在下面叙述中谈到。 本章安排四节内容，第一节 一元线性回归，是回归分析中最基础，最简单的模型，在本节讲述回归分析的基本模型和基本条件，通过案例讲解回归分析的SPSS实现及结果分析，第二节 多元线性回归 主要说明从一元回归模型演化到多元线性回归模型，在模型和处理方法上有哪些不同；第三节 曲线回归，说明曲线回归模型的概述，与线性模型的优势和不同以及Curve Estimation菜单的使用；第四节介绍Logistic回归等其他特殊回归模型和相应菜单使用。 10.1 一元线性回归 一元线性回归是回归分析中最简单、最基础的模型，研究两个变量之间的线性依存关系。一元线性回归作为数学模型，有着模型应用的条件和假设；满足这些条件和假设，应用一元线性回归分析可以得到合理的模型，发掘出变量之间的关系，但是如果不满足条件假设而强行应用一元线性回归，将很可能得到错误的模型和结论，因此在本节的第一部分，将首先介绍一元线性回归的模型和假设条件。 10.1.1回归的思想和假设 一元线性回归是研究两个变量依存关系的统计方法，它是由英国统计学家高尔顿（Galton）在研究父子身高的关系时首先提出的。两个变量中假设因变量用表示，自变量用表示，一元线性回归的一般模型是： 所谓依存关系是指两个变量之间不严格的“趋势”关系，和严格的函数关系相区别，依存关系无法用精确的函数表达，只能用统计方法分析变量间“平均意义”上的变化，即当变化时，平均看来将如何变化，不能分析的精确变化。 其中，称为线性方程的截距，称为线性方程的斜率，这两个方程的参数是不变的；称为方程的随机误差，标明自变量以外的其他因素对因变量影响，在每次、取值时随机变化，从上述公式中可知，由于的影响，和之间只能是不严格的依存关系，想通过精确把握的变化是做不到的。如果观察了次两个变量的变化，记录相应数值，可以得到如下个方程： 因为和关系不严格，少数几次观测对于确定两个变量的关系是不够的，因此必须大量观察记录和的数值