七相关分析和回归分析.pptVIP

第七章 相关分析和回归分析 第一节 变量间关系的度量 第二节 一元线性回归的估计和检验 第三节 利用回归方程进行预测 第四节 用残差检验模型的假定 第五节 多元回归分析 第一节 变量间关系的度量 变量间是什么样的关系？ 用散点图描述相关关系 用相关系数度量关系强度 怎样分析变量间的关系？ 建立回归模型时，首先需要弄清楚变量之间的关系。分析变量之间的关系需要解决下面的问题 变量之间是否存在关系？ 如果存在，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？ 一、变量间的关系 相关关系的类型（课本第114页） 二、用散点图相关关系(scatter diagram) 用散点图描述变量间的关系(例题分析) 【例】为研究销售收入与广告费用支出之间的关系，某医药管理部门随机抽取20家药品生产企业，得到它们的年销售收入和广告费用支出(万元)的数据如下。绘制散点图描述销售收入与广告费用之间的关系 散点图(销售收入和广告费用的散点图) 三、用相关系数度量关系强度(correlation coefficient 度量变量之间线性关系强度的一个统计量 若相关系数是根据总体全部数据计算的，称为总体相关系数，记为? 若是根据样本数据计算的，则称为样本相关系数，简称为相关系数，记为 r 也称为Pearson相关系数 (Pearson’s correlation coefficient) 相关系数的计算公式 相关系数的演变公式 相关系数的性质 性质1：r 的取值范围是 [-1,1] |r|=1，为完全相关 r =1，为完全正相关 r =-1，为完全负正相关 r = 0，不存在线性相关关系 -1?r0，为负相关 0r?1，为正相关 |r|越趋于1表示关系越强；|r|越趋于0表示关系越弱 性质2：r具有对称性。即x与y之间的相关系数和y与x之 间的相关系数相等，即rxy= ryx 性质3：仅仅是x与y之间线性关系的一个度量，它不能用 于描述非线性关系。这意为着， r=0只表示两个 变量之间不存在线性相关关系，并不说明变量之 间没有任何关系 相关系数的经验解释 |r|?0.8时，可视为两个变量之间高度相关 0.5?|r|0.8时，可视为中度相关 0.3?|r|0.5时，视为低度相关 |r|0.3时，说明两个变量之间的相关程度极弱，可视为不相关 上述解释必须建立在对相关系数的显著性进行检验的基础之上 相关系数的显著性检验(检验的步骤) 检验两个变量之间是否存在线性相关关系 采用R.A.Fisher提出的 t 检验 检验的步骤为 提出假设：H0：? ? ? ；H1：? ? 0 计算检验的统计量 用Excel中的【TDIST】函数得双尾计算P值，并于显著性水平?比较，并作出决策 若P?，拒绝H0 相关系数的显著性检验 (例题分析) 【例】检验销售收入与广告费用之间的相关系数是否显著 (??0.05) 提出假设：H0：? ? ? ；H1：? ? 0 计算检验的统计量 3. 用Excel中的【TDIST】函数得双尾P=2.743E-09??0.05，拒绝H0，销售收入与广告费用之间的相关系数显著 等级相关系数 例：确定学校名气和毕业生表现业绩之间是否存在相关联？ 第二节 一元线性回归的估计和检验 一元线性回归模型 参数的最小二乘估计 回归直线的拟合优度 显著性检验 什么是回归分析？(regression analysis) 重点考察考察一个特定的变量(因变量)，而把其他变量(自变量)看作是影响这一变量的因素，并通过适当的数学模型将变量间的关系表达出来 利用样本数据建立模型的估计方程 对模型进行显著性检验 进而通过一个或几个自变量的取值来估计或预测因变量的取值 一元线性回归 涉及一个自变量的回归 因变量y与自变量x之间为线性关系 被预测或被解释的变量称为因变量(dependent variable)，用y表示 用来预测或用来解释因变量的一个或多个变量称为自变量(independent variable)，用x表示 因变量与自变量之间的关系用一个线性方程来表示 一、一元线性回归模型 （概念要点） 描述因变量 y 如何依赖于自变量 x 和误差项? 的方程称为回归模型 一元线性回归模型可表示为 y 是 x 的线性函数(部分)加上误差项 线性部分反映了由于 x 的变化而引起的 y 的变化 误差项 ? 是随机变量，反映了除 x 和 y 之间的线性关系之外的随机因素对 y 的影响，是不能由 x 和 y 之间的线性关系所解释的变异性 一元线性回归