一元线性回归模型.jsp.pptVIP

　　新乡学院数学与信息科学系 毛新娜 “回归”的历史渊源 儿子们身高向着平均身高“回归”，以保持种族的稳定 回归的现代释义 回归分析是研究一个因变量对一个或多个自变量的依赖关系，其用意在于通过后者的已知或设定值，去估计和（或）预测前者的（总体）均值。 例1：给定父辈的身高，找出儿辈平均身高的变化 例2：给定年龄，预测平均身高 内容简介 第一节 一元线性回归模型的概念 第二节 模型参数的最小二乘估计 第三节 最小二乘估计量的统计性质及分布 第四节 一元线性回归模型的统计检验 第五节 一元线性回归模型的预测 第六节 案例分析 第一节 一元线性回归模型的概念 一、相关关系与回归模型 各种经济变量之间的关系，可以划分为两类：确定的函数关系和非确定性的相关关系 1、确定的函数关系 2、非确定的相关关系 一、相关关系与回归模型 3、回归模型 回归关系指变量间非确定性的因果关系，如果变量X、Y具有回归关系，则Y=f(X，u)称为回归模型，其中u为随机扰动项 4、一元线性回归模型 Y=?0+ ?1X+u “一元” 是指只有一个自变量X（解释变量） “线性” 被解释变量Y是参数的线性函数 1、总体关系式 它代表了总体变量间的真实关系 2、总体回归方程 （PRF) 它代表了总体变量间的依存规律。 3、样本回归方程（SRF） 4、样本关系式 1、最小二乘法产生的历史 2、最小二乘法的思路 为了精确地描述Y与X之间的关系，必须使用这两个变量的每一对观察值，才不至于以点概面 Y与X之间是否是直线关系?在Y与X的散点图上画出直线的方法很多。任务？——找出一条能够最好地描述Y与X（代表所有点）之间的直线。 什么是最好？—找出判断“最好”的原则：最好指得是找一条直线使得这些点到该直线的纵向距离的和（平方和）最小 4、拟合直线的性质 拟合直线过Y和X的平均数点 估计残差和为零 Y的真实值和拟合值有共同的均值 估计残差与自变量不相关 估计残差与拟合值不相关 绪 论 一、拟合优度检验 一、拟合优度检验 平方和分解的意义  TSS=ESS+RSS 关于R2 的讨论： 可决系数的取值范围：[0，1] R2越接近1，说明实际观测点离样本线越近，拟合优度越高。 但是R2值究竟要多大呢？回归分析中使用时间序列数据还是横截面数据有不同的标准。对时间序列数据而言， R2值在0.8、0.9以上是很常见的，而在横截面数据的情况下， R2值在0.4、0.5也不能算低。 3、R2= r2 关于假设检验 假设检验的步骤： 第一、根据实际问题的要求，提出一个要判断的论断，称为原假设。 第二、假定原假设成立，构造统计量，进行推断。 第三、对原假设的真伪进行判断，做出论断。 假设检验的基本思想 为了检验论断是否成立，先假定成立，看由此能推出什么结果。如果推出一个不合理的结果，则“原假设成立”是错误的；反之，则接受原假设。 上述基本思想的根据是小概率事件原理：小概率事件在一次试验中几乎是不可能发生的。 回归方程的显著性检验(F)，是指对模型中被解释变量与解释变量之间的线性关系在总体上是否显著成立作出推断。 构造零假设和备择假设： 变量的显著性检验，是指对模型中被解释变量与某个解释变量之间的线性关系在总体上是否显著成立做出推断。 对变量进行t检验的步骤如下： 提出假设H0： 在H0成立时，有统计量 给定显著性水平，查表的临界值 ，如果 ，则拒绝H0，表明模型中因变量与自变量之间确实存在线性关系，变量X是显著的。 第一节 一元线性回归模型的概念 第二节 模型参数的最小二乘估计 第三节 最小二乘估计量的统计性质及分布 第四节 一元线性回归模型的统计检验 第五节 一元线性回归模型的预测 第六节 案例分析 目录 问题的提出: 纵向数据分析主要是分析响应变量与协变量之间的关系，以及响应变量组内的相关性。 1. 需确立响应变量和协变量及时间效应之间的关系时，时间效应复杂以致难以进行参数化建模。 2. 组内相关性的处理时，组内数据联合分布很难确定。 纵向数据 分析方法 时间变化系数半 参数回归模型 纵向数据半参 数线性回归模型 问题的提出 结论及展望 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 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？ 1、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