第七讲 相关分析与回归分析.ppt

1)模型拟合优度评价 是指样本观测值聚集在样本回归线周围的紧密程度，也反应了回归方程对被解释变量的解释程度。 SST=SSR+SSE(总变差，解释变差，剩余变差) 可决系数：R2=SSR/SST=1-SSE/SST（一元线性回归方程） 调整的可决系数： （多元线性回归方程） 解释变量增多时，SSE减少，R2增加； 有重要“贡献”的解释变量出现。 2）回归方程整体显著性检验 包含回归方程的显著性检验和回归系数的显著性检验两个部分。 回归方程的显著性检验：检验线性关系是否显著 (1)建立原假设： , 即回归方程整体不显著； ，即回归方程整体显著。 (2)构造F统计量： (3)计算F统计量和对应的p值 (4)对比p值和ɑ。 3）回归系数的显著性检验 (1)建立原假设： ,即第j个回归系数不显著； ，即第j个回归系数显著。 (2)构造t统计量： (3)计算t统计量和对应的p值 (4)对比p值和ɑ。 4）残差分析 残差： 残差序列：多个ei 出发点：如果回归方程能较好地反映被解释变量的特征和变化规律，那么残差序列中应不包含明显的规律性和趋势性。 （1）残差均值为0的正态性分析； （2）残差的独立性分析： 绘制残差序列的序列图； 计算残差的自相关系数； DW检验。（零假设：总体的自相关系数ρ与0无显著差异。） 当随机扰动项存在序列相关时，进行Durbin-Watson检验： 0DWdL:随机扰动项存在一阶正序列相关； 4-dLDW4：随机扰动项存在一阶负序列相关； dUDW4-dU：随机扰动项不存在序列相关； dLDWdU或者4-dUDW4-dL：不能确定是否存在序列相关。 正相关 不相关 负相关 第七讲 相关分析与线性回归分析 内容概要 概述 相关分析 偏相关分析 回归分析 曲线估计 概述 相关分析和回归分析都是分析客观事物之间相关性的数量分析方法。 相互关系：函数关系与统计关系 统计关系：不完全确定的随机关系，当一个或几个相互联系的变量取一定值时，与其相对应的另一个变量取值虽不确定，但会按照某种规律在一定范围内变化。 线性相关：正/负 非线性相关 相关分析-散点图 将数据以点的形式画在直角平面上。 基本操作： 图形-旧对话框-散点/点状 相关系数 两个步骤： 计算样本相关系数r； 对样本来自的两总体是否存在显著线性关系进行推断。 提出零假设，即两总体无线性相关性； 选择检验统计量； 计算检验统计量的观测值和对应的概率p值； 决策 相关系数取值范围 r=0 |r|0.3 |r|=0.3~0.5 |r|=0.5~0.8 |r|0.8 |r|=1 相关程度 无相关 微弱相关 低度相关 显著相关 高度相关 完全相关 相关系数的分类 Pearson简单相关系数(皮尔逊)：用来度量正态分布的定距变量间的线性相关关系，Pearson简单相关系数不能用于度量变量之间的非线性关系 Spearman秩相关系数(斯皮尔曼)：采用非参数检验方法来度量定序变量间的线性相关关系，由于数据为非定距变量，因此不能直接采用原始数据，而是利用数据的秩 Kendallτ秩相关系数(肯德尔)：采用非参数检验方法来度量定序变量间的线性相关关系 连续变量的相关分析 Pearson简单相关系数：其中 为协方差， 为标准差。 x和y是对称的，说明x与y的相关系数等同于y和x和相关系数； 简单相关系数是无量纲的； x和y做线性变换后可能改变相关系数的符号，但不会改变值； 只能度量线性关系，不能度量非线性关系的。 对相关关系的显著性进行检验，该检验原假设是：两总体相关系数等于0。 t统计量： ， 服从自由度为n-2的t分布。 定序变量的相关分析-Spearman ui和vi分别表示变量x和y的秩变量，用di=ui-vi表示第i个样本对应于两变量的秩之差。 Spearman秩相关公式： 两变量正相关，秩变化有同步性，r趋向于1； 两变量完全正线性相关，ui和vi相等，r=1;完全负相关，ui+vi=n+1,r=-1; 检验系数，原假设为：两变量不相关。 小样本，服从Spearman分布；大样本， 服从标准正态分布。 定序变量的相关分析-Kendall秩相关系数 设在v1后面有R1个秩大于v