定量分析方法之回归分析.pptVIP

第3章 回归分析;“回归”（regression）是由英国著名生物学家兼统计学家高尔顿（Francis Galton）在研究人类遗传问题时提出来的。为了研究父代与子代身高的关系，高尔顿搜集了1078对父亲及其儿子的身高数据，他发现这些数据的散点图大致呈直线状态，也就是说，总的趋势是父亲的身高增加时，儿子的身高也倾向于增加。 高尔顿对试验数据进行了深入的分析，发现了一个很有趣的现象—回归效应。当父亲高于平均身高时，他们的儿子身高比他更高的概率要小于比他更矮的概率；父亲矮于平均身高时，他们的儿子身高比他更矮的概率要小于比他更高的概率。它反映了一个规律，即这两种身高（父亲的身高和儿子的身高）有向他们父辈的平均身高回归的趋势。对于这个一般结论的解释是：大自然具有一种约束力，使人类身高的分布相对稳定而不产生两极分化，这就是所谓的回归效应。;第一节 一元线性回归模型;回归分析主要是研究如何根据自变量X的已知值来估计或预测因变量Y的值； 回归分析和相关分析都是对多个变量之间依存关系的分析。只有存在相关的变量才能进行回归分析，相关程度愈高，回归效果越好。 相关分析与回归分析的不同点： 相关分析是研究变量之间的依存关系，但不区分哪个是自变量，哪个是因变量；而回归分析不仅研究变量之间的依存关系，而且要根据研究对象和目的，确定哪个是自变量（解释变量），哪个是因变量（被解释变量）； 相关分析主要是研究变量之间关系的密切程度和变化的方向；而回归分析要通过建立回归模型和控制自变量来进行估计和预测。;一、一元线性回归模型的基本概念;;上式的进一步求解：;总离差的分解; ;回归方程的显著性检验;回归系数的显著性检验 建立假设：H0：β =0； H1：β ≠ 0 构造检验统计量： 大样本条件下： 小样本条件下： 查表得临界值，并进行决策。 回归方程的解释能力（回归方程的判定系数 R2 ） ;;;四、一元线性回归案例;;第二节 曲线估计; 曲线估计：是根据所给变量的数值，寻求一种最适合于变量的方程来拟合所给变量，并根据拟合出的结果，预测变量值的过程。 ;;曲线估计案例;;;;;第三节 多元线性回归分析;在公共管理研究中，很多情况下研究的变量是多个的，这就需要用多元的方法才能更好地描述变量间的关系。 多元回归是研究多个自变量对因变量的估计和预测能力的一种统计分析方法。 就方法的实质来说，处理多元线性回归(multiple linear regression)的方法与处理一元线性回归的方法是基本相同的，只是多元线性回归的方法复杂些，计算量大些。;多元线性回归的基本假设;;;;;;;;;;;第四节 Logistic 回归 ;线性回归模型的局限性是要求因变量是定量变量（定距变量、定比变量）而不能是定性变量（定序变量、定类变量）。但在实际问题中，经常出现因变量是定性变量（分类变量）的情况。 用于处理分类因变量的统计分析方法：判别分别(Discriminant analysis)、Probit 分析、Logistic 回归分析和对数线性模型等。在公共管理研究，应用最多是Logistic回归分析。 Logistic 回归根据因变量取值类别不同，又可以分为Binary Logistic 回归分析和Multinomial Logistic 回归分析，Binary Logistic 回归模型中因变量只能取两个值1和0（虚拟因变量），而Multinomial Logistic 回归模型中因变量可以取多个值。;;;;;;;;;;;;;;2018/1/2