第二章 一元线性归模型.ppt

第二章 一元线性回归模型 一元线性回归模型 模型参数的最小二乘估计 样本决定系数及回归直线拟合优度的检验 随机项μ的方差 的估计量 回归方程的显著性检验 利用回归方程进行预测 一元线性回归分析案例 §2.1 回归分析概述 （1）函数关系：研究的是确定现象非随机变量间的关系。 （2）相关关系：研究的是非确定现象随机变量间的关系。 如果一种（或几种）变量，比方说X(或X1, … ,Xk)自行变化时，按照一定的规律影响另一变量，比方说Y，而Y的变化不能影响X(或X1, … ,Xk)。也就是说，变量X (或X1, … ,Xk)的变化是变量Y变化的原因，而不是相反，这时我们说X(或X1, … ,Xk)与Y具有因果关系（这里指单向因果关系。对于模型： 3.随机误差项 一般来说随机项μ包括以下几个主要方面： 模型中省略的变量 一些随机因素 测量误差 确定数学模型形式的误差 二、一元线性回归模型 一个自变量的线性回归模型叫做一元线性回归模型（或双变量线性回归模型），多个自变量的线性回归模型叫做多元线性回归模型。如模型（2.2）就是一个一元线性回归模型。模型（2.2）是对总体而言的，因此也叫做总体回归模型，以下简称回归模型。 设给定X，Y的n次观测值(样本值)（X1,Y1)（X2,Y2), …, （Xn,Yn)。代入模型(2.2)得: 三、一元线性回归模型举例 第二节 模型参数的最小二乘估计 一、回归参数（系数）的最小二乘估计 二、最小二乘估计量的统计性质 一、回归参数（系数）的最小二乘估计 最小二乘法（Ordinary least squares, OLS）给出的判断标准是：二者之差的平方和 二、最小二乘估计量的统计性质 当模型参数估计出后，需考虑参数估计值的精度，即是否能代表总体参数的真值，或者说需考察参数估计量的统计性质。 第三节 样本决定系数及回归直线拟合优度的检验 一、总利差平方和分解 二、样本决定系数： “拟合优度”的度量 三、样本相关系数 回归分析是要通过样本所估计的参数来代替总体的真实参数，或者说是用样本回归线代替总体回归线。 三、样本相关系数 第四节 随机项μ的方差σμ2的估计量 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。 一、 的概率分布和标准差 第六节 回归方程的显著性检验 检验步骤： （1）对总体参数提出假设 H0： b1=0， H1：b1?0 （2）构造统计量 第七节 利用 回归方程进行预测 一、点预测 二、区间预测 第八节 一元线性回归分析案例 一、中国居民人均消费模型 二、时间序列问题 二、估计量 的显著性检验 检验步骤： （1）对总体参数提出假设 H0： b1=0， H1：b1?0 （2）以原假设H0构造t统计量，并由样本计算其值 （3）给定显著性水平?，查t分布表，得临界值t ?/2(n-2) (4) 比较，判断 若 |t| t ?/2(n-2)，则拒绝H0 ，接受H1 ； 若 |t|? t ?/2(n-2)，则拒绝H1 ，接受H0 ； 对于一元线性回归方程中的b0，可构造如下t统计量进行显著性检验： （3）给定显著性水平?，查F分布表，得临界值F?(1,n-2) (4) 比较，判断 若 |F| F?(1,n-2) ，则拒绝H0 ，接受H1 ； 若 |t|? F?(1,n-2) ，则拒绝H1 ，接受H0 ； 对于一元线性回归模型 给定样本以外的解释变量的观测值X0，可以得到被解释变量的预测值?0 ，可以此作为其条件均值E(Y|X=X0)或个别值Y0的一个近似估计。 注意： 严格地说，这只是被解释变量的预测值的估计值，而不是预测值。 原因:（1）参数估计量不确定； （2）随机项的影响 一、?0是条件均值E(Y|X=X0)或个值Y0的一个无偏估计 对总体回归函数E(Y|X=X0)=?0+?1X，X=X0时 E(Y|X=X0)=?0+?1X0 于是 可见，?0是条件均值E(Y|X=X0)的无偏估计。 对总体回归模型Y=?0+?1X+?，当X=X0时 于是 二、总体条件均值与个值预测值的置信区间 1、总体均值预测值的置信区间 由于 于是 可以证明 因此