市场营销调研(第二版)—14_相关分析和回归分析.pptVIP

* * 可决系数一般与回归分析联合使用，用以解释回归方程在多大程度上说明因变量的差异，即： * * 对r的显著性作假设检验 假设p表示相应未知的总体相关系数，我们计算以下的t一统计量： r的标准误差为 ： 因此，对零假设p=0的检验统计量简化为 ： 该统计量服从自由度为n- 2的t分布。 * * 多元回归分析 回归模型和回归方程 复相关与偏相关 整体解释力的统计显著性 虚拟变量 曲线相关 使用回归分析需要注意的事项 * * 回归模型和回归方程 描述应变量y如何依赖于自变量x1,x2，…，xn和误差项的方程称为回归模型 ； 在多元回归模型中参数含义与简单回归模型中的有一些不同。 以二元回归模型为例： 为 的简化。 小数点左边的二位数字为直接关系的变量。第一位代表因变量，第二位表示该系数所代表的自变量；小数右边的是表示不变的变量，称为次级变量。当然随着自变量的增多，小数点右边的数字可以到k-1个（k为自变量个数）。 * * 例如，系数 （简化为 ）的意义如下：在所有其他解释变量（如X2）保持不系时，x1每变动一个单位所导致的y的相应变化。 通过这种方法，我们能够把每个解释变量对y的影响分离出来，不受其他解释变量的干扰和影响。所以， 和 的值称为局部回归系数。 * * 复相关与偏相关 n个变量影响一个变量的相关称为复相关，求出的系数，称为复相关系数。 当两个独立变量z1、z2影响一个因变量时， 相关系数的计算式是： Ry.12即为复相关系数(multiple correlation coefficient)， 为复关可决系数。 * * 复相关与偏相关 所谓偏相关(partial correlation)是在测定n个独立变量对一个因变量的响时，在排除其他变量的影响后，指定一个独立变量对这个因变量计算得的相关系数，称为偏相关系数，也可称为纯相关系数(net correlation coefficient．)。 不能解释的部分可以用估计标准离差 来表示 ，总差异可以用因变量y的方差来说明 ，即： 。 * * 于是: 公式中的最后一项表明，在考虑了自变量x影响时，因变量y中仍然不能被说明的变化差异与y变动的绝对变化差异之间的比值。 这个比值度量着这两个变量之间的关联度在多大程度上可用于解释因变量y。 * * 整体解释力的统计显著性 F—统计量：被解释的变化与未被解释的变化之比。 解释变量的方差 可以被分解为两部分，部分通过回归值 来解释。一部分通过残差 来解释。 被解释的变化与未被解释的变化的有关表达式简单地等于，总的被解释和未被解释的方差除以各自的自由度(分别是n-k-1)。 * * (一)F—检验 F—检验的统计显著性检验程序： 事先说明假设检验 ； 把计算好的F一统计值与临界值相比，临界值取自在一给定概率水平下F一概率分布的F一统计表。 假设可以表述为： 如果我们拒绝H0，我们就可以断定，在被解释变量和至少一个解释变量之间有显著的关系，回归方程整体来看是显著的。 在只有一个解释变量时的简单回归分析的情形下，整体解释力的F一检验必然相当于单个回归系数 的t-检验。这时，可以看到，F=tl。 (二)F一统计表和F一分布 F一分布的形状如右图。 该分布是不对称的； F值不可能为负 。 分布的实际形状取决于与F一统计量的表达式相应的分子和分母的自由度(分别是K和n-k-1)。 F一统计表中概率值(a)有0.05和0.01两种，对应于相应的自由度，分子和分母分别用v1和V2表示，从1到∞。 如：可以查到，在V1=9和V2=12时，F一统计量的临界值(用Fa表示)在0.05的显著水平下等于2.80，在0.01的显著水平下等于4.39；也就是说，只有5％的可能性得到一个大于2.80的F一统计值，只有1％的可能性超过4.39。 如果计算的F一统计量超过了临界值，我们拒绝零假设，并断定整个回归在统计上是显著的。 * * 概率（a） * * 虚拟变量 看下面一个例子： 纯净过滤水股份公司对于水过滤系统提供维修保养服务。当顾客的水过滤系统出现故障时，公司对他们的水过滤系统进行维修。 为了估计服务时间和服务成本，纯净公司的管理人员希望对顾客的每一次维修请求预测必要的维修时间。 管理人员认为，维修时间