第七章：数值预测问题.ppt

第七章数值预测问题 相关分析和回归分析是社会经济问题研究中最常用也是最重要的两种统计方法。它们主要被用于回答一些定义明确的度量单位的数值变量之间的关系问题。 相关分析：是描述两个数值变量间的关系强度问题。 回归分析：是描述一个或多个自变量的变化如何引起因变量变化的一种统计分析方法。 相关分析和回归分析在处理数值变量关系时可以互为补充、相辅相成。 第一节 相关分析 一、变量间关系 变量之间的关系可分为两种类型：函数关系和相关关系。 函数关系是指现象之间存在一一对应的确定性的数量依存关系。 相关关系，也称统计相关，是指现象之间存在的非确定性的数量依存关系。但这种数量变化关系并不是严格一一对应的。（收入与储蓄；父母与子女身高） 二、相关关系的种类 按相关关系涉及的变量（或因素）的多少 按变量之间相互关系的表现形式 按变量之间的相互关系的方法或性质不同 按变量之间的相关程度不同 三、相关分析主要解决的问题 变量之间是否存在关系？ 如果存在关系，它们之间是什么样的关系？ 变量之间的关系强度如何？ 样本所反映的变量之间的关系能否代表总体变量之间的关系？ 进行相关分析时： 绘制散点图判断变量之间的关系形态； 计算相关系数来确定相关关系的密切程度（关系强度）； 对相关系数进行显著性检验，以判断样本所反映的关系能否用来代表两个变量总体上的关系。 相关系数： 通过相关图表可以了解现象之间是否具有相关关系，但要想更具体地了解现象之间的相关密切程度，必须进一步测定相关系数。相关系数就是描述两个变量之间线性相关密切程度和相关方向的统计分析指标。 相关关系的显著性检验 一般，总体相关系数?是未知的，通常是根据样本相关系数r作为近似值的。 能否根据样本相关系数说明总体的相关程度，就需要考察样本相关系数的可靠性，也就是进行显著性检验。 第二节 一元线性回归 在社会经济现象中，各种经济变量相互联系，相互制约。通过相关分析，可以分析现象之间相关关系的方向和相关的密切程度。但相关分析不能判断现象之间具体的数量变动依存关系，也不能根据相关系数来估计或预测因变量y可能发生的数值。因此，为了探求经济变量之间的具体数量变动关系，一般在相关分析的基础上再进行回归分析。 回归分析就是对具有相关关系的两个或两个以上变量之间数量变化的一般关系进行测定，确定因变量和自变量之间数量变动关系的数学表达式，以便对因变量进行估计或预测的统计分析方法。 回归分析是在相关分析的基础上，进一步研究现象之间的数量变化规律。 回归分析的主要内容： （1）根据研究目的和现象之间的内在联系，确定自变量和因变量。现象之间还存在着因果关系。作为原因的变量为自变量，作为结果的变量为因变量。回归分析时，从理论出发进行定性分析，确定变量间的因果关系，从而确定哪个为自变量，哪个为因变量。 （2）确定回归分析模型的类型及数学表达式。根据现象之间的内在影响机制或通过对具体变量数据描点分析，找出最适合的回归分析模型，再通过计算求出模型的待估参数，得到回归方程。 估计方法一般是最小二乘法。 （3）对回归分析模型进行评价与诊断。得到具体的回归方程以后，要对其进行统计检验。 如对回归方程计算一些检验统计量，如t值、F值、估计标准误、判定系数等，来对回归方程的代表性及及拟合程度进行评价。又如，要检验判断回归模型基本假设是否合理、满足。 （4）根据给定的自变量数值确定因变量的数值。回归方程可以用于统计估计或预测，即可根据给定的自变量数值估计因变量的数值或置信区间。以及利用回归模型进行回归控制。 一、一元线性回归模型 二、参数估计 在数学分析中， ?0 、?1为回归参数或待定系数， ?0 、?1为相应的估计值。 拟合回归直线的主要任务是估计待定参数?0 、 ?1的值，常用的方法就是最小二乘法，用这种方法求出的回归直线是原始数据的“最佳”拟合直线。最小二乘法的原理是使实际值y与估计值的离差平方和最小。 三、回归直线的拟合优度 1、判定系数 回归直线在一定程度上描述了变量x与y之间的数量关系，根据这一方程，可根据自变量x的取值来估计或预测因变量y的取值。但估计或预测的精度如何将取决于回归直线对观测数据的拟合程度。如果各观测数据的散点都落在这一直线上，那么这条直线就是对数据的完全拟合，直线充分代表了各个点，此时用x来估计y是没有误差的。各个观察点越是紧密围绕着直线，说明直线对观测数据的拟合程度越好，反之则越差。 回归直线与各观测点的接近程度称为回归直线对数据的拟合优度。为说明直线的拟合优度，则需要计算判定系数。 2、估计标准误差 判定系数可用于度量回归直线的拟合程度，相关系数也可以起到类