计算predictioninterval预测区间.pptVIP

範例14.6 ρ 的t-檢定與範例16.4 中?1 的t-檢定產生相同的結果。 14.* 計算 第14章 簡單線性迴歸和相關分析 第427頁 使用迴歸方程式 使用迴歸方程式，我們得到： 估計一輛哩程表讀數有40 ( 千) 哩車齡3 年的Toyota Camry 之售價 我們稱此數值為點預測(point prediction) 並稱 為當x ＝ 40 時，y 的預測值或點估計(point estimate)。因此，這位交易商將預測這部汽車應該能夠以$14,574 賣出。 14.* 第14章 簡單線性迴歸和相關分析 第429頁 預測區間 我們提出的第一個信賴區間，是在獨立變數為一個給定的 xg 值之下，每當我們想要對一個依變數的特定值發生一次的狀況做預測。 (其中 xg 是 x 的給定值） 14.* 第14章 簡單線性迴歸和相關分析 第429頁 範例14.7(a) 一位二手車的交易商將要投標一輛 3 年車齡的Toyota Camry，該車具有全部的標準配備，並且哩程表讀數為40,000 (xg ＝ 40) 哩。為了幫助他決定投標金額，他必須預測銷售價格。 預測區間的下限和上限分別是$13,922 和$15,226。 14.* 第14章 簡單線性迴歸和相關分析 第430-431頁 範例14.7(b) y 期望值的信賴區間估計量： 一位二手車的交易商有機會投標許多輛由一家租車公司所提供的汽車。租車公司有250 部具有標準配備的Toyota Camry。這一批汽車的哩程表讀數大約是40,000 (xg ＝ 40) 哩。這位交易商想要估計這一批汽車的銷售價格。 16.* 第14章 簡單線性迴歸和相關分析 第431頁 信賴區間估計量 平均價格的95%信賴區間估計量為： 期望值信賴區間估計值的下限與上限分別為$14,498以及$14,650。 14.* 第14章 簡單線性迴歸和相關分析 第431頁 預測區間與信賴區間的不同 14.* 預測區間 信賴區間 1 沒有 1 是在獨立變數為一個給定的 xg 值之下，對一個依變數的特定值發生一次的狀況做預測。 是在獨立變數為一個給定的 xg 值之下，估計 y 的平均數或是 y 的長期平均值。 y 期望值的信賴區間估計值將會比在相同的x 給定值與信賴水準下的預測區間更窄。 這是因為估計一個平均數的數值，相對於預測一個個別的數值，會有較少的誤差。 第14章 簡單線性迴歸和相關分析 運用Excel 計算區間… 14.* 計算 Prediction Interval(預測區間) Confidence Interval Estimator of the mean price(平均價格的信賴區間估計值) Point Prediction(點的預測) 第14章 簡單線性迴歸和相關分析 第432頁 迴歸診斷 迴歸分析有效的必要條件： 誤差變數必須服從常態分配 誤差變數的變異數必須是常數 誤差間必須彼此獨立。 我們如何診斷這些條件的違反行為？ ? 殘差分析， 也就是檢查各個實際資料點與那些使用線性方程式所預測的點之間的差異… 14.* 第14章 簡單線性迴歸和相關分析 第433頁 殘差分析 讓我們回顧，實際資料點與迴歸線之間的偏差稱為殘差。在Excel中，計算殘差是迴歸分析的一部分。 殘差分析讓我們可以決定誤差變數是否為常態、誤差變異數是否為常數，以及誤差是否獨立。我們從非常態開始討論。 14.* 第14章 簡單線性迴歸和相關分析 第434-435頁 非常態性 我們以繪製殘差的直方圖來檢查常態性。 直方圖呈現鐘形，使我們相信誤差服從常態分配。? 14.* 第14章 簡單線性迴歸和相關分析 第435頁 圖14.9 異質性 誤差變數的變異數　 必須是常數。當這項條件被違反時，則稱此情況為異質性(heteroscedasticity)。 診斷異質性的一種方法適繪製殘差相對於 y 預測值的圖。 14.* 第14章 簡單線性迴歸和相關分析 第435頁 圖14.10 異質性 誤差變數的變異數　 必須是常數。當這項條件被違反時，則稱此情況為異質性(heteroscedasticity)。我們在繪有各點的圖中尋找散佈狀況的改變： 14.* 沒有異質性的現象。 ? 第14章 簡單線性迴歸和相關分析 第436頁 圖14.12 誤差變數的非獨立性 如果我們每星期觀察汽車的拍賣價格長達一年的時間，則將構成一個時間序列。 當資料為時間序列，誤差經常是相關的。跨時間相關的誤差項目稱為自我相關(autocorrelated) 或是序列相關(serially corr