统计学课件-6 相关与回归.pptVIP

凌洁 * 相关分析 回归分析 第六章 相关与回归 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 相关分析 概念 种类 线性相关 变量之间关系 函数关系 相关关系 因果关系 互为因果关系 共变关系 确定性依存关系 随机性依存关系 种类 一元相关 多元相关 负 相 关 正 相 关 线性相关 曲线相关 x y 正 相 关 x y 负 相 关 x y 曲线相关 x y 不 相 关 线性相关 相关系数 测定两变量是否线性相关？ 定义式： 未分组： 已分组：见P201页 值： |r|=0 不存在线性关系； |r|＝1 完全线性相关 0|r|1不同程度线性相关(0~0.3 微弱；0.3~0.5 低度； 0.5~0.8 显著；0.8~1 高度) 符号：r0 正相关；r0 负相关 计算公式 相关系数的检验（t检验） 检验统计量 回归分析 特 点 一元线性回归 多元线性回归 非线性回归 逻辑回归 种 类 特点 1·理论和方法具有一致性； 2·无相关就无回归， 相关程度越高，回归越好； 3·相关系数和回归系数 方向一致，可以互相推算。 1·相关分析中，x与y对等，回归分析中，x与y要确定自变量和因变量； 2·相关分析中x，y均为随机变量，回归分析中，只有y为随机变量； 3·相关分析测定相关程度和方向，回归分析用回归模型进行预测和控制。 种类 一元回归 多元回归 线性回归 非线性回归 自变量的多少 变量之间的具体变动形式 一元线性回归 1·一元线性回归模型的一般形式 总体一元线性回归模型的一般形式 Y的数学期望E（Yi） 随机误差 也称一元线性回归方程，是对应于自变量X某一取值时因变量Y的均值。 未知参数 Yi=α+βXi+εi 回归系数b表明自变量x每变化一个单位因变量y的平均增（减）量。 b与r的关系： r＞0 r＜0 r=0 b＞0 b＜0 b=0 样本的一元线性回归模型和回归方程 一元线性回归模型: 一元线性回归方程: 截距 斜率（回归系数） x y 2·一元线性回归模型的确定 根据实际数据，用最小平方法，即使 ，分别对a、b求编导并令其为零，求得两个标准方程： 解联立方程，得到 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 总离差 = 回归离差 + 剩余离差 r2表示全部偏差中有百分之几的偏差可由x与y的回归关系来解释。 r 的符号同 b 估计标准误（Syx） Syx 越小， 拟合越好； Syx 越大， 拟合越差。 Syx也是用自变量对因变量进行区间估计的抽样误差。 68.27% 94,45% 99.73% 是一个测量Y的实际值与Y的预测值之间离散程度的统计量。 4·回归分析中的假设条件和残差分析 回归分析中的假设条件 随机误差项ε的理论假定 值相互独立 服从正态分布 的数学期望E（ ）＝0 的方差 都相同，且 残差分析 随机误差项ei = Yi -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。 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。 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 。 假设条件的评估 (1)等方差性 :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 (2)正态性。可通过残差分析中计算残差的频数分布，并把其结果用直方图加以反映和评估。 引例店址选择的数据，可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 (3)独立性。可根据数据获得的先后顺序排列的残差散点图来评估。 在一段时间内收集的数据，有时观测值中会存在着自相关的影响。此时，前后之间的残差就会有某种联系。若存在这种联系，就违背了独立性假设，