第五章 回归预测法教材第五到八章 .pptVIP

前言 一、起源 回归一词最先由F.高尔顿(Francis Galton)引入。在一篇著名的论文中，高尔顿发现，虽然有一个趋势，父母高，儿女也高；父母矮，儿女也矮，但给定父母的身高，儿女辈的平均身高却趋向于或者“回归”到全体人口的平均身高。皮尔逊曾收集过一些家庭群体的1千多名成员的身高记录后发现，对于一个父亲高的群体,儿辈的平均身高低于他们父辈的身高，而对于一个父亲矮的群体，儿辈的平均身高则高于其父辈的身高。这样就把高的和矮的儿辈一同“回归”到所有男子的平均身高。用高尔顿的话说，这是“回归到中等。 二、变量间的关系 1) 、函数关系 二、变量间的关系 ? 函数关系的例子 某种商品的销售额(y)与销售量(x)之间的关系可表示为 y = p x (p 为单价) 圆的面积(S)与半径之间的关系可表示为: S = ? R2 企业的原材料消耗额(y)与产量(x1) 、单位产量消耗(x2) 、原材料价格(x3)之间的关系可表示为y = x1 x2 x3 二、变量间的关系 2 、相关关系 二、变量间的关系 相关关系的类型 具有相关关系的变量，虽然不能用函数式准确表达其关系，但可以通过大量的实验数据（或调查数据等）的统计分析，找出各相关因素的内在规律，可用某一函数式近似地描述其依存关系。 三、回归预测的分类： 3 、按变量的属性： （1）数量回归：所有自变量均为定量变量； （2）非数量回归（虚变量） 四、回归预测的步骤 1 、选定预测的变量及主要的原因变量； 2 、收集历史数据（或通过市场调查）； 3 、分析变量间的关系建立回归模型； 4 、参数估计：最小二乘法； 5 、回归方程的显著性检验； 6 、利用回归方程进行预测。 回归的现代解释却是非常之不同的，大致上，我们可以这样说： 回归分析是关于研究一个应（因）变量对另一个或几个解释变量（自变量）的）依赖关系，其用意在于通过后者的己知或设定值，去估计和〔或〕预测前者的（总体）均值。 第五章 一元线性回归预测法 一、建立一元线性回归模型： 例：下表给出了某市从90年以来人均收入和人均消费支出的七组数据 散点图 人均收入和人均消费的关系 一元线性回归模型可表述为: y＝a十bx十e 其中a,b是待定的参数P55 一元回归预测方程：P55 如何才能知道是否可以使用一元线性回归模型： 1、经济理论 2、数据分布（散点图） 3、最简单的模型 二、求回归系数a和b 1 、简便求估法：P55 (1) 、目估作图法； （2）、平均值法。 2 、回归系数的精确求估法： 最小二乘法 估计参数—最小二乘法 目的：找一个最好的预测模型 最好：误差最小、误差的平方和最小 参数估计：最小值的必要条件 最小二乘法 设已知n组数据（x1,y1),( x2,y2）… （xn,yn), 模型： 误差ui= 误差的平方和 由 求得 最小二乘法 （ 和 的计算公式） ? 根据最小二乘法的要求，可得求解 和 的标准方程如下 三、回归方程的检验 所谓拟合优度是指由回归直线拟合统计数据的优劣程度。 由推证可得： 可决系数公式 在预测实践中，r2常用于模型的比较，人们往往采纳r2最高的模型，这是因为r2高，就意味着该模型把y的变动解释得好。 实际上，有一个更为简捷的可决系数的计算公式： r2 = 2 、相关系数r 相关系数r:是另一个被广泛用来测定拟合优度的指标；是描述变量x与y之间线性相关关系密切程度的一个数量指标。 它的计算公式为： r= 3 、 回归方程的显著性检验 在求出回归系数后，需进行显著性检验。回归系数的显著性检验有t检验和F检验，前者是检验单个系数是否显著的异于零，即对应的自变量的变化是否显著地影响因变量的变化，后者是检验所有系数是否同时为零，但是对于一元线性回归有Fα(n-2)=tα/22(n-2),因此只需做t检验或F检验即可。 (1)、 F检验及其步骤： 提出假设 H0：b=0 (线性关系不显著) 回归系数的显著性检验 （步骤） 提出假设 H0: b = 0 (没有线性关系) H1: b ? 0 (有线性关系) 计算检验的统计量 举例P66 例：已知某对经济变量（x, y)，x为自变量，y为因变量，由如表所示的样本数据，试建立回归方程，并检验。 ?4、进行预测 在预测时，有点预测和区间预测。 (1)、点预测 点预测就是利用自变量的已知值，由回归预测方程: 计算因变量的值作为预测值。 点预测是预测平均值 但是点预测，不容易分析预测的可靠性和准确性，因此可用区间预测。 (2)、