nk-1 n-1 anova 的f-test anova 的f-test.ppt

134 83 108 Coefficient of Correlation Values –1.0 +1.0 0 –.5 +.5 No Linear Correlation Perfect Negative Correlation Perfect Positive Correlation Increasing degree of positive correlation Increasing degree of negative correlation Coefficient of Correlation Example You’re a marketing analyst for Hasbro Toys. Ad $ Sales (Units) 1 1 2 1 3 2 4 2 5 4 Calculate the coefficient ofcorrelation. Solution Table xi yi xi 2 yi 2 xiyi 1 1 1 1 1 2 1 4 1 2 3 2 9 4 6 4 2 16 4 8 5 4 25 16 20 15 10 55 26 37 Coefficient of Correlation Solution 點預測 預測誤差 當我們以 預測Yn+1 時, 其預測誤差(prediction errors) 定義成 預測誤差 誤差I = 是因為估計參數 與 所造成的估計誤差 誤差II = 由於 之隨機性(條件分配)所造成的誤差 一般來說, 誤差I 會隨著樣本點變多而變小(因為估計的準確度增加), 但是誤差II 並不會隨著樣本點改變而改變 區間預測 當我們把預測誤差考慮進來, 就可以建構所謂的區間預測式(interval predictor) 重要性質: 其中 因此, 根據該重要性質, 我們知道 亦即下列隨機區間 包含Yn+1 的機率為1 ? γ . 我們稱此區間為Yn+1的(1 ? γ ) 區間預測式 對於Yn+1 均值的預測 以上我們討論的是利用迴歸模型對Yn+1 作預測, 但是我們亦可僅對Yn+1 的均值 E(Yn+1|xn+1) = α+ β xn+1作預測 以教育年數與所得水準的關係為例, 對Yn+1 作預測的意義是, 給定某人的教育年數為18 年,我們想預測此特定人士的所得 至於對E(Yn+1|xn+1) 作預測的意義則是, 給定教育年數為18 年, 我們想預測的是, 所有受過18 年教育之人的平均所得 對於E(Yn+1|xn+1) 的點預測式依舊是 利用之前的討論, 以相同的概念得到 並進而得到E(Yn+1|xn+1) 的區間預測式 如果我們只是要預測 E(Yn+1|xn+1), 則之前所提過的誤差II 將不復存在, 只剩下因估計所造成的誤差I。因此, 根據直覺而非推導, E(Yn+1|xn+1) 的區間預測式為 虛線表示的是E(Yn+1|xn+1) 的預測區間, 而實線則為Yn+1 的預測區間 判定係數(coefficient of determination) (判定係數) R2 判定係數就是用來「判定」迴歸模型的配適度,亦即, 衡量透過迴歸模型可解釋變異佔總變異的比例。R2 的值越高, 代表被解釋變數Y 的變動中, 有越多的比例可為解釋變數 x 所解釋 0 ≤ R2 ≤ 1 重要性質一 為一具F(1, n ? 2) 分配之隨機變數, 亦即 F ～ F(1, n ? 2). 重要性質二 若虛無假設為H0 : β = 0。則當虛無假設為真, 在 γ 的顯著水準下, 拒絕H0 當 重要性質三 性質三將虛無假設下的F0 , t0 以及R2 連結在一起 重要性質三 因此, R2 越大, F0 或t0 的值就越大, 進而拒絕虛無假設 β = 0。 總而言之, R2 越大在簡單迴歸分析中代表兩個意義: 1 迴歸模型的配適度越好; 2 我們有越強的證據拒絕 β = 0 的虛無假設。 57 58 59 109 108 109 78 78 130 例子: 教育年數與所得水準 假設以n = 90 的樣本得到如下的樣本迴歸估計: 其中, Y 代表所得水準(千元), x 代表教育年數 上式為學術研究中一個常用的表示方法, 迴歸係數下的括號中的數字代表