市场调查与分析第十一章.pptVIP

相关与回归 一、散点图 为了确定相关变量之间的关系，首先应该收集一些数据，这些数据应该是成对的。例如，每人的身高和体重。然后在直角坐标系上描述这些点，这一组点集称为散点图。 为了研究父亲与成年儿子身高之间的关系，卡尔.皮尔逊测量了1078对父子的身高。把1078对数字表示在坐标上，如图。用水平轴X上的数代表父亲身高，垂直轴Y上的数代表儿子的身高，1078个点所形成的图形是一个散点图。它的形状象一块橄榄状的云，中间的点密集，边沿的点稀少，其主要部分是一个椭圆。 相关的类型 ★正相关 ★负相关 ★完全正相关 ★完全负相关 ★称零相关 二、相关系数 样本的相关系数用r (correlation coefficient) 相关系数r的值在-1和1之间，但可以是此范围内的任何值。正相关时，r值在0和1之间，散点云图是斜向上的，这时一个变量增加，另一个变量也增加；负相关时，r值在-1和0之间，散点云图是斜向下的，此时一个变量增加，另一个变量将减少。r的绝对值越接近1，两变量的关联程度越强，r的绝对值越接近0，两变量的关联程度越弱。 （一）协方差 例 一 现有某种商品的下列资料:试求商品价格与销售量之间的关系，并检验 前面我们讨论了价格和销售量的相关关系，知道了二者之间成正相关。那么，如果我们知道了一个产品的价格，能大致推断出它的销售量吗？或可能在什么范围内呢？上面的相关关系分析不能提供给我们需要的答案。这些要用直线回归的方法来解决。 当我们知道了两个变量之间有直线相关关系，并且一个变量的变化会引起另一个变量的变化，这时，如果它们之间存在准确、严格的关系，它们的变化可用函数方程来表示，叫它们是函数关系，它们之间的关系式叫函数方程。但在实际生活当中，由于其它因素的干扰，许多双变量之间的关系并不是严格的函数关系，不能用函数方程反映，为了区别于两变量间的函数方程，我们称这种关系式为直线回归方程，这种关系为直线回归. 例 一 现有某种商品的下列资料:试求商品价格与销售量之间的回归方程，并检验 与直线相关一样，直线回归方程也是从样本资料计算而得的，同样也存在着抽样误差问题。所以，需要对样本的回归系数b进行假设检验，以判断b是否从回归系数为零的总体中抽得。为了判断抽样误差的影响，需对回归系数进行假设检验。总体的回归系数一般用β表示。 练习：现有某种商品的下列资料: 3·一元线性回归模型拟合优度的评价 判定系数（r2） 是对回归模型拟合优度的评价。 x y 总偏差平方和 = 回归平方和 + 剩余平方和 TSS RSSR RSS r 的符号同 b 判定系数具有PRE性质 第三节 回归方程的假定与检验 一、回归分析中的基本假定 残差分析 随机误差项又称为残差，对残差进行分析，既能用来评价回归模型与实际数据的拟合优度，也能评价回归的假设能否成立。 二、评价回归模型的拟合优度 可通过绘制残差图直观地进行评价。 （一）残差图是以残差为纵坐标、以相应自变量的X值为横坐标的散点图。 散点的分布不存在明显的变化规律 ，说明建立的模型对数据是合适的 。 散点的分布有明显的变化规律 ，说明建立的模型对数据是不合适的 。 (二)等方差性.由于x，y之间存在的是非确定性的相关关系。因此，对于每一个值x=xi，yi是随机变量，或称作是y的子总体。要求的所有子总体y1、y2…yn，其方差都相等,即所有y的分布具有同样的形状,且满足正态分布。 通过残差与Xi的残差图来评价 残差 0 X 0 此图中，散点如扇形般地展开，即显示出X增大时残差的变异也在增大，证明了在X的每个水平上，Y缺少等方差性 (三)正态性。可通过残差分析中计算残差的频次分布，并把其结果用直方图加以反映和评估。 把残差列成如表的频数分布，并把其结果可用直方图展示出来 . 残差 频数 -300到-200 1 -200到-100 2 -100到0 4 0到100 4 100到200 4 合计 15 (四)独立性。 可用杜宾—沃特森统计量D-W进行测度,一般来说D-W值约等于2时,则认为是独立的. * * * * * 相关分析 回归分析 社会上的许多现象之间都有相互联系，例如：身高与体重、消费与收入等。在这些有关系的现象中，它们之间联系的程度和性质也各不相同。相关和回归分析方法，是分析两个或更多变量之间的相互关系，测定它们之间联系的紧密程度，以揭示其变化的具体形式和规律性，以便用一个或几个变量，去预测另一个我们感兴趣的变量。 主要内容 第一节直线相关 Linear Correlat