统计学 (相关及回归).pptVIP

第三节 多元线性回归 一、多元线性回归模型 1、多元线性回归模型 2、多元线性回归的数据结构 3、随机误差的假设 1）假设e1， e2，…， en 相互独立； 2）Eei =0，Dei =σ2 3） e1， e2，…， en 服从正态分布 二、未知参数的最小二乘估计 三、回归效果的显著性检验 总平方和 SST 回归平方和 SSR 误差平方和 SSE 1、多元判定系数 R2=SSR/SST 修正多元判定系数 2、显著性检验 （1） F 检验 H0：b1=b2=…=bp=0 （2）t 检验 H0：bi=0 第四节 非线性回归 许多非线性模型可以通过“线性化”转化为线性回归模型，然后可以利用线性回归分析的一整套方法处理 。对回归方程选择一种合适的函数形式，必须事先对散点图进行分析，同时对上述各种类型函数的曲线形状有充分的了解。如果同一种散点图可以选择不同的函数形式来描述回归方程，如何比较不同回归方程的拟合效果呢？通常使用的比较准则：就是选择选择Se较小的一个。 * 第七章 相关分析和回归分析 第一节 相关分析 一、变量相关的概念 函数关系是变量之间的一种完全确定的关系。 统计相关关系是变量之间存在的不完全确定性的关系。 二、相关关系的种类 单相关与复相关 正相关与负相关 不相关、完全相关和不完全相关 三、相关关系的测度1、散点图2、简单相关系数（样本相关系数）相关系数是对变量之间相关关系密切程度的度量，对两个变量之间相关程度的度量称为简单相关系数。简单相关系数的计算方法： 相关系数的意义：相关系数的取值范围是在-1到+1之间。r 0 为正相关，r 0为负相关。相关系数的绝对值等于1时，称为完全线性相关；r = 0，则表明两个变量完全不线性相关。 相关系数的显著性检验 第二节 一元线性回归分析 回归分析是研究两个或两个以上变量之间相互关系的一种重要的统计方法，旨在寻求一个变量对另一个变量或若干个变量的恰当数学表达式，以近似表示或描述变量间的统计关系。通常可以表示为 y = f（x）+e或 y = f（x1，x2，…，xp）+e y称为被解释变量（因变量），x及x1，x2，…，xp称为解释变量或回归变量（自变量），e 是不可观测的随机变量，称为随机误差。 只有一个回归变量的情形称为一元回归；含两个或两个以上回归变量的情形称为多元回归；当回归函数为线性函数时，称为线性回归，否则称为非线性回归 。 一、一元线性回归模型 y = a + b x +e 其中a，b是未知参数，称为回归系数。 对 x 和 y 的观测结果：（x1，y1)，(x2，y2)，? ，(xn，yn)，有 yi = a + bxi +ei 关于随机误差的假设： 1）假设e1，e2，…，en 相互独立； 2）Eei =0，Dei =σ2 3） e1，e2，…，en服从正态分布 二 、回归系数的最小二乘估计 它们分别是回归系数a和b的无偏估计。 σ2 的无偏估计，Se 称为标准残差。 三、回归效果的评价 数据总的变动称为总离差平方和，记为 QT，它由两部分构成：1）被回归方程解释的部分，称为回归平方和，记为QR ；2）未被回归方程解释的部分，称为残差平方和，记为QE 。 它们的计算公式为： 它们的相互关系为： QT = QE + QR 1、（样本）可决系数 可决系数 R2可以做回归值与实际观测值拟合程度的度量。 R2 越接近1，说明二者的拟合程度越好。特别地，当 y 与 x 为线性相关关系时，R2 = r2。 2、F检验 基本假设 H0：b=0 检验的统计量为 在假设H0：b = 0成立的条件下，统计量 若F Fα(1 , n - 2)，则认为回归效果显著； 若F Fα(1 , n - 2)，则认为回归效果不显著。 3、t检验 基本假设 H0：b=0 检验的统计量为 在假设H0：b = 0成立的条件下，统计量t～t（n-2） 若|t| tα,(n - 2)，则认为回归效果显著；否则认为回归效果不显著。 四、回归方程的应用 回归预测包括点预测和区间预测 1、回归点预测对于给定的变量 x 的值x0，用回归值 做为变量y的预测值。 2、回归区间预测 对于给定的变量 x 的值x0，变量 y 的置信度为1-α的预测区间为 R2a=1–（1– R2） * *