第六章：回归.ppt.ppt

本章重点 第一节 相关 相关的概念和种类 相关关系的判断 相关关系的测定 相关关系和函数关系 一般来说现象之间的相互关系可以分为两种，一种是函数关系，一种是相关关系 函数（function）关系：是指变量之间存在的相互依存的关系，它们之间的关系值是确定的 相关（co-relation）关系：是指两个现象数值变化不完全确定的随机关系，是一种不完全确定的依存关系 相关关系和函数关系 相关关系与函数关系的不同之处表现在： 函数关系指变量之间的关系是确定的，而相关关系的两变量的关系则是不确定的 函数关系变量之间的依存可以用一定的方程表现出来，可以给定自变量来推算因变量，而相关关系则不能用一定的方程表示 函数关系是相关关系的特例，即函数关系是完全的相关关系，相关关系是不完全的函数关系 完全相关和不完全相关 按相关的程度分可分为完全相关、不完全相关和完全不相关 完全相关：有精确的关联度，即函数关系 不完全相关：不确定的联系，通常所说的相关即指这一类 完全不相关：变量间完全没有联系，这种情况非常罕见 正相关和负相关 按相关的性质可分为正相关和负相关 正相关：变量之间的变动是正向变动，即一变量变大，另一变量亦变大，反之亦然 负相关：变量之间的变动是反向变动，即一变量变大，另一变量变小，反之亦然 线性相关和非线性相关 按相关的形式可分为线性相关和非线性相关 线性相关：变量之间呈线性变动关系，若是两变量之间则呈直线变动 非线性相关：变量之间呈非线性变动关系，如二次曲线、指数曲线等 单相关和复相关 按影响因素多少可分为单相关和复相关 单相关：两个变量之间的相关关系（即只有一个自变量） 复相关：多个变量之间的相关关系（至少有两个自变量） 相关关系的判断 相关表：编制相关表不仅可以直观地显示现象之间的数量相关关系，而且它也是计算相关指标的基础。 相关图：相关图有相关散点图和相关曲线图。借助相关图可以直观而形象地显示现象之间相关的性质和密程度 散点图 相关表 相关图 一元线性相关分析 一元线性相关分析：是指研究两个变量之间的线性相关程度的分析方法 一元线性相关是最基础也是最常见的相关关系 例 广告和利润 例 广告和利润 例 广告和利润 例 广告和利润 协方差 协方差 （co-variance） 协方差和方差 协方差的缺陷 例 广告和利润 相关系数 相关系数（coefficient of correlation） 相关系数的另一公式 样本相关系数 例 广告和利润 相关系数的含义 相关系数有正负号反映相关关系的方向，正号反映正相关，负号反映负相关 相关系数的大小介于-1和1之间，0为完全不相关，-1和1为完全相关，绝对值越靠近1说明相关程度越高 练习 身高和体重的相关系数 注意： 参与相关分析的两个变量是对等的，不分自变量和因变量 相关系数仅反映两个变量的线性相关程度 r=0 r的分布 均值： 标准差： 分布形态：t分布 相关系数的检验 原假设： 备择假设： 统计量： 相关系数的计算和检验 第二节 回归 回归概念和种类 回归与相关 一元线性回归 “回归” 的含义 “回归(Regression)”名称的由来归功于英国统计学家F.Galton（1822—1911 年）和他的学生、现代统计学的奠基者之一K.Pearson(1856—1936 年) 在研究父母身高与其子女身高的遗传问题时F.Galton 引进了“回归(regression)”这个词来描述父辈身高X 与子代身高Y 的关系 回归分析 回归分析是对具有相关关系的两个或两个以上变量之间数量变化的一般关系进行测定，确定一个相应的数学表达式 回归分析可辅助从一个已知量来推测另一个未知量，为估计预测提供一个重要的方法 回归的种类 按自变量的数目可分为一元回归和多元回归（复回归） 按变量间的相关关系可分为线性回归和非线性回归 按相关关系的方向可分为正向回归和负向回归 回归分析与相关分析的区别 相关分析研究两个变量之间相关的方向和相关的密切程度；回归方程则是通过一定的数学方程来反映变量之间相互关系的具体形式 相关分析既可以研究因果关系的现象也可以研究共变的现象，不必确定两变量中谁是自变量，谁是因变量。而回归分析是研究两变量具有因果关系的数学形式，因此必须事先确定变量中自变量与因变量的地位 回归分析与相关分析的联系 相关分析需要回归分析来表明现象数量相关的具体形式 而回归分析则应该建立在相关分析的基础上，依靠相关分析表明现象的数量变化具有密切相关，进行回归分析求其相关的具体形式才有意义。 一元线性回归 一元线性回归反映两变量之间直线关系的回归分