第2章 2.3简单线性回归模型的统计检验.ppt

第三节 拟合优度的度量 1、拟合优度检验 拟合优度检验：对样本回归直线与样本观测值之间拟合程度的检验。 度量拟合优度的指标：判定系数（可决系数）R2 第四节 回归系数的区间估计和假设检验 一、OLS估计的分布性质 二、回归系数的区间估计 三、回归系数的假设检验 三、回归系数的假设检验 回归分析是要判断解释变量X是否是被解释变量Y的一个显著性的影响因素。 在一元线性模型中，就是要判断X是否对Y具有显著的线性性影响。这就需要进行变量的显著性检验。 1、什么是假设检验 所谓假设检验，就是事先对总体参数或总体分布形式作出一个假设，然后利用样本信息来判断原假设是否合理，即判断样本信息与原假设是否有显著差异，从而决定是否接受或否定原假设。 假设检验采用的逻辑推理方法是反证法。 先假定原假设正确，然后根据样本信息，观察由此假设而导致的结果是否合理，利用适当的符合某种概率分布的统计量和给定的显著性水平，构造一个小概率事件，如果小概率事件发生，说明原假设不正确，就拒绝原假设。 假设检验的过程（提出假设→抽取样本→作出决策） t统计量25.52临界值2.306，就拒绝原假设,说明家庭消费支出对家庭可支配收入的回归系数是显著的 案例分析:中国城市居民消费支出 第五节 回归模型预测 eviews应用软件中的广义差分法 在Eview/TSP软件包下，广义差分采用了科克伦-奥科特（Cochrane-Orcutt）迭代法估计?。 在解释变量中引入AR(1)、AR(2)、…，即可得到参数和ρ1、ρ2、…的估计值。 其中AR(m)表示随机误差项的m阶自回归。在估计过程中自动完成了ρ1、ρ2、…的迭代。 案例2：用回归模型预测木材剩余物 伊春林区位于黑龙江省东北部。全区有森林面积 218.9732万公顷，木材蓄积量为2.324602亿m3。森林覆盖 率为62.5%，是我国主要的木材工业基地之一。1999年伊 春林区木材采伐量为532万m3。按此速度44年之后，1999 年的蓄积量将被采伐一空。所以目前亟待调整木材采伐规 划与方式，保护森林生态环境。为缓解森林资源危机，并 解决部分职工就业问题，除了做好木材的深加工外，还要 充分利用木材剩余物生产林业产品，如纸浆、纸袋、纸板 等。因此预测林区的年木材剩余物是安排木材剩余物加工 生产的一个关键环节。下面，利用一元线性回归模型预测 林区每年的木材剩余物。显然引起木材剩余物变化的关键 因素是年木材采伐量。 t t0.05/2=2.306 3.16 t0.01/2=3.25 P(t2.306)=0.0000 第五节 回归模型预测 1、对Y0平均值的点预测 总体回归函数 当人均收入Xi=8000时，人均消费 2、对Y0平均值预测的置信区间 由于 于是 回归分析表解释： 其中 于是，在1-?的置信度下，总体均值E(Y|X0)的置信区间为 3、对Y0总体个值的预测区间 由 Y0=?0+?1X0+? 知: 于是 式中 : 从而在1-?的置信度下， Y0的置信区间为 在收入-消费支出例中，得到的样本回归函数为 则在 X0=1000处， ?0 = –103.172+0.777×1000=673.84 而 因此，总体均值E(Y|X=1000)的95%的置信区间为： 673.84-2.306?61.05 E(Y|X=1000) 673.84+2.306?61.05 或 （533.05, 814.62） 同样地，对于Y在X=1000的个体值，其95%的置信区间为： 673.84 - 2.306?130.87Yx=1000 673.84 + 2.306?130.87 或 (372.03, 975.65) 总体回归函数的置信带（域）（confidence band） 个体的置信带（域） 对于Y的总体均值E(Y|X)与个体值的预测区间（置信区间）: （1）样本容量n越大，预测精度越高，反之预测精度越低； （2）样本容量一定时，置信带的宽度当在X均值处最小，其附近进行预测（插值预测）精度越大；X越远离其均值，置信带越宽，预测可信度下降。 * 问题：采用普通最小二乘估计方法，已经保证了模型最好地拟合了样本观测值，为什么还要检验拟合程度？ 2、总离差平方和的分解 已知由一组样本观测值（Xi,Yi），i=1,2…,n得到如下样本回归直线 如果Yi=?i 即实际观测值落在样本回