统计学复习.ppt

相关系数的取值及其意义 r 的取值范围是 [-1,1] |r|=1，为完全相关 r =1，为完全正相关 r =-1，为完全负正相关 r = 0，不存在线性相关关系 -1?r0，为负相关 0r?1，为正相关 |r|越趋于1表示关系越密切；|r|越趋于0表示关系越不密切 回归分析与相关分析的联系及区别 联系 1.都是研究现象之间相关关系的方法 2.应用时，相互补充 区别 1.相关分析只研究变量间是否存在关系以及关系的密切程度。回归分析研究的是变量间存在的是什么关系，比相关关系分析更进一步。 2.相关分析不必区分自变量和因变量，而回归则必须事先确定。对两个变量x和y 来说，相关分析只能计算出一个相关系数，计算中改变x和y 的地位不影响相关系数的数值；回归分析则不同，有时可以根据研究目的不同分别建立两个不同的回归方程 一元线性回归模型 估计的一元线性回归方程 回归系数的含义 多元回归模型 一个因变量与两个及两个以上自变量的回归 涉及 p 个自变量的多元回归模型可表示为 b0 ，b1，b2 ，?是参数 ? 是被称为误差项的随机变量 ? 包含在y里面但不能被k个自变量的线性关系所解释的变异性 多元回归模型 y的估计值 估计的回归系数 估计的回归模型： 估计的截距项 多元回归输出结果 Regression Statistics Multiple R 0.72213 R Square 0.52148 Adjusted R Square 0.44172 Standard Error 47.46341 Observations 15 ANOVA ? df SS MS F Significance F Regression 2 29460.027 14730.01 6.5386 0.01201 Residual 12 27033.306 2252.776 Total 14 56493.333 ? ? ? ? Coefficients Standard Error t Stat P-value Lower 95% Upper 95% Intercept 306.52619 114.25389 2.68285 0.0199 57.58835 555.4640 Price -24.97509 10.83213 -2.30565 0.0397 -48.57626 -1.37392 Advertising 74.13096 25.96732 2.85478 0.0144 17.55303 130.7088 多元回归方程 b1 = -24.975: 在相同的广告费投入的情况下，销售价格每增加一美元，甜点销售量平均下降24.975个单位。 b2 = 74.131: 在相同的销售价格下，广告费用每增加1个单位（100美元），甜点销售量平均增加74.131个单位。 诊断模型 模型作出后，需要解决以下问题： 整个模型拟合效果如何？ 模型是否整体线性显著？ 每一个变量是否显著？ 存在多元共线性问题吗？ 回归分析假设是否被满足？ 整个模型拟合效果如何？ 修正多重判定系数 用样本容量n和自变量的个数k去修正R2得到 计算公式为 避免增加自变量而高估 R2 意义与 R2类似 数值小于R2 线性关系检验—模型整体是否显著 （1）检验因变量与所有自变量之间的线性关系是否显著，也被称为总体的显著性检验 （2）检验方法是用 F 检验来分析二者之间的差别是否显著 如果是显著的，因变量与自变量之间存在线性关系 如果不显著，因变量与自变量之间不存在线性关系 Chap 12-* 线性关系检验 提出假设 H0：?1??2????k=0 线性关系不显著 H1：?1，?2，? ?k至少有一个不等于0 计算检验统计量F 确定显著性水平?和分子自由度k、分母自由度n-k-1找出临界值F ? 作出决策：若Sig.F ? ，拒绝H0 Chap 12-* SUMMARY OUTPUT 回归统计 Multiple R 0.903371816 R Square 0.816080638 Adjusted R Square 0.813142629 标准误差 27350.25168 观测值 319 方差分析 　 df SS MS F Significance F 回归分析 5 1.04E+12 2.08E+11 277.7665571 9.037E-113 残差 313 2.34E+11 7.48E+08 总计 318 1.27E+12 　 　 　 　 Coefficients 标准误差 t Stat P-value Lower 95% Upper 95%