统计学原理第07章第一、二、三节.pptVIP

（四）分组相关表的相关系数的计算 2.根据双变量分组相关表计算相关系数 （五）相关系数的计算 1、相关系数的性质 第二节 简单线性相关分析 二、相关系数 1.相关系数的取值在-1与1之间 2.当r=0时，表明X与Y没有线性相关关系 3.当 时，表明X与Y存在一定的线性相关关系 4.当 时，表明X与Y完全线性相关 2、判断标准 （2）相关系数的取值范围在-1至1 之间。 其值大小反映两变量之间相关的密切程度， （1）相关系数有正负号，分别表示正相关和负相关。 （3） 表明两变量完全直线相关； 表明两变量不存在直线相关； -1.0 +1.0 0 -0.5 +0.5 完全负相关 无线性相关 完全正相关 负相关程度增加 r 正相关程度增加 1、两个变量都是连续性的； 2、必须是成对数据，且每对数据相互独立； 3、两个变量的总体都接近正态分布； 4、两个变量的关系是线性的； （三）直线积差相关系数的应用条件 5、排除共变因素的影响。 6、只能描述两变量之间线性关系的密切程度和方向，不能阐明二者的本质联系。 7、一般地说，n小于30时计算出的r缺乏有效意义。 借助数学方程，揭示具有相关关系的变量之间数量变化规律的方法，称为回归分析法；回归分析中的数学方程称为回归方程。 数量变化规律指，当自变量发生变化时，平均说来因变量会发生多大的变化。 第三节 回 归 分 析 一、回归分析的概念 两个变量之间不是对等关系 两个变量的性质不同 回归方程式反映的是变量之间具体的数量变动规律，而不是抽象的系数 第三节 回归分析 （一）直线回归分析的特点 二、直线回归分析 确定变量之间有无相关关系 了解变量之间相关关系的形态、方向和程度 确定自变量和因变量 第三节 回归分析 （二）直线回归方程配合的条件 二、直线回归分析 回归分析与相关分析的联系 都是分析相关关系；相关系数与回归系数符号相同。 回归分析与相关分析的区别 （1）变量的地位 相关分析中，变量 x、 y 处于平等地位。 回归分析中， y 为因变量，处在被解释的地位；x 为自变量，用于解释和预测因变量变化 第三节 回归分析 （三）回归分析与相关分析的关系 回归分析与相关分析的区别 （2）变量的性质 相关分析中所涉及的变量 x 和 y 都是随机变量； 回归分析中，因变量y 是随机变量，自变量 x 可以是随机变量，也可以是非随机的确定变量。 （3）分析内容（侧重点） 相关分析主要描述两个变量之间相关关系的密切程度；主要通过计算相关系数来测定。 回归分析揭示变量之间数量变动的统计规律性；主要通过拟合回归方程来描述或推断。 第三节 回归分析 （三）回归分析与相关分析的关系 回归模型的类型 一个自变量 两个及两个以上自变量 回归模型 多元回归 一元回归 线性回归 非线性回归 线性回归 非线性回归 一元线性回归模型的概念及形成 用样本统计量 a、b代替回归方程中的未知参数α和?，就得到了样本回归方程（或称为估计的回归方程）： a 是回归直线在 y 轴上的截距，是当 x=0 时 y 的期望值，是回归直线是起始值； b（回归系数）是直线的斜率，表示当 x 每变动一个单位时，y 的平均变动值。 第三节 回归分析 （四)一元直线回归方程的配合 一元线性回归模型的估计 最小平方法——也称为最小二乘法 使因变量的观察值与估计值之间的离差平方和达到最小来求得 a和b 的方法，即满足下列条件： 第三节 回归分析 （四）一元直线回归方程的配合 用最小平方法配合回归直线的基本思想是： 在所有的相关点中，通过数学方法配合一条较为理想的直线，这条直线必须满足两点： ⑵ 、原数列与趋势线的离差平方和为最小值。即 ⑴、原数列与趋势线的离差之和为零。即： a、b的最小二乘估计 通过求a、b的一阶偏导可得到求解a、b的联立方程： 解联立方程得到： 2、具体求解 一元线性回归模型的估计 用最小平方法拟合的直线来代表 x 与 y 之间的关系，所产生的估计值与实际值的误差要比其他任何直线的误差都小。 可用于拟合直线回归，也可用于拟合曲线回归。 根据最小平方法的原则，利用微分求解极值（最优值）的原理，可得求解 a 和 b 的标准方程组如下： 第三节 回归分析 （四）一元直线回归方程的配合 一元线性回归模型的计算实例 根据引例中表的数据可计算得到： 第三节 回归分析 （四）一元直线回归方程的配合 所建立的样本一元线性回归方程即： 其中，回归系数 表示在其他条件不变时，能源消耗量每增加一个单位（十万吨）， 工业总产值将平均增加0.79