数理统计-回归分析.ppt

“回归”来源 统计史上归功于英国生物学家F.Galton(1822~1911) 如人的身高具有一定的遗传性,当父代指标(X)增加(减少)时,子代指标(Y)的平均值会增加(减少),但未看到指标两极分化 存在一种力量把指标值“拉向中心”,子代指标有“向中心回归”的现象 Galton引进“回归”这个名词来描述X与Y的关系. 统计中也沿用回归来描述变量之间的关系 第七章???? 回归分析(analysis of regression) §7.1 一元线性回归 二、参数的最小二乘法估计(least square estimate)（LSE） （一）?????? LSE的求法 （二)??????估计量的分布及有关性质 §7.2 回归方程的显著性检验 7．2．1 F检验 7．2．2 t 检验 7．2．3 相关系数检验(correlation coefficient ) §7.3 预测与控制(predict and control) 一、含义 二、预测值与预测区间 §7.4 多元线性回归(multivariate linear regression) 一、数学模型(model) 二、β的LSE 假设 y 与 之间的内在联系是线性的， 它的第 次试验数据是 则这一组数据有如下的结构： * 有一类变量间有关系,但不能用函数形式来表示。例如人的体重 y 与身高 x 有关，又如居民的储蓄存款额 y 与的收入 x 有关，但同样的收入的人储蓄存款额也不会相同。这样的变量间的关系在统计上称为相关关系。 X─自变量（一般变量，非随机变量） Y─随机变量 一、模型 ①收集数据 例7．1 我们知道营业税收总额与社会零售总额有关。为了能从社会商品零售总额去预测税收总额，需要了解两者的关系，现收集了如下几组数据（表7.1.1） 表7.1.1社会商品零售总额与税收总额 单位：亿元 序号 社会商品零售总额 x 营业税税收总额 y 1 142．08 3．93 2 177．30 5．96 3 204．68 7．85 4 242．88 9．82 5 316．24 12．50 6 341．99 15．55 7 332．69 15．79 8 389．29 16．39 9 453．40 18．45 ②画散点图 ③观测散点图 如果n 个点在某直线附近波动,但不完全在一直线上,认为 y由两部分构成, 各 之间独立，可得一元线性回归的数学模型： 回归函数： 反映 y 与 x 的相关关系 的估计为 ，回归方程为 考虑⑴如何根据 去估计 ； ⑵对回归方程的可信度作检验； ⑶回归方程的作用：预测，控制。 1.准则： 其中， 2.求法： ，又 是 的可微函数，有极值 正规方程组： 从而 代入得 得到的LSE为 回归方程有两种形式： 回归直线过 两点。 3． ，当 时， 与 独立 定理7.1.1 在一元线性回归模型中， 与 是最小二乘估计量 4． 仍服从正态分布， 定理7.1.2 在一元线性回归模型中 （1） （2） 与 和 相互独立 （3） 是 无偏估计 残差平方和 主要检测什么叫在直线“附近”，用眼睛看会因人而异，为此需要有个检验准则。为作检验，首先要建立假设。 我们要反映 y 随 x 变化的统计规律， 如果 ，