[数学]第2章 一元线性回归.ppt

第2章 一元线性回归 2 .1 一元线性回归模型 2 .2 参数β0、β1的估计 2 .3 最小二乘估计的性质 2 .4 回归方程的显著性检验 2 .5 残差分析 2 .6 回归系数的区间估计 2 .7 预测和控制 2 .8 本章小结与评注 2 .1 一元线性回归模型 例2 .1 表2.1列出了15起火灾事故的损失及火灾发生地与最近的消防站的距离。 2 .1 一元线性回归模型 例2.2 全国人均消费金额记作y(元); 人均国民收入记为x(元) 2 .1 一元线性回归模型 一元线性回归模型 y=β0+β1x+ε 2 .1 一元线性回归模型 样本模型 yi=β0+β1xi+εi, i=1,2,…,n 2 .2 参数β0、β1的估计 一、普通最小二乘估计 (Ordinary Least Square Estimation,简记为OLSE) 2 .2 参数β0、β1的估计 2 .2 参数β0、β1的估计 2 .2 参数β0、β1的估计 2 .2 参数β0、β1的估计 2 .2 参数β0、β1的估计 2 .2 参数β0、β1的估计 2 .3 最小二乘估计的性质 2 .3 最小二乘估计的性质 2 .3 最小二乘估计的性质 2 .3 最小二乘估计的性质 2.4 回归方程的显著性检验 2.4 回归方程的显著性检验 2.4 回归方程的显著性检验 什么是P 值?(P-value) P 值即显著性概率值 Significence Probability Value 是当原假设为真时得到比目前的 样本更极端的样本的 概率，所谓极端就是与原假设相背离 它是用此样本拒绝原假设所犯弃真错误的 真实概率，被称为观察到的(或实测的)显著性水平 双侧检验的P 值 左侧检验的P 值 右侧检验的P 值 利用 P 值进行检验的决策准则 若p-值 ≥ ?,不能拒绝 H0 若p-值 ＜ ?, 拒绝 H0 双侧检验p-值 =2×单侧检验p-值 2.4 回归方程的显著性检验 2.4 回归方程的显著性检验 2.4 回归方程的显著性检验 2.4 回归方程的显著性检验 2.4 回归方程的显著性检验 2.4 回归方程的显著性检验 2.4 回归方程的显著性检验 2.4 回归方程的显著性检验 2.4 回归方程的显著性检验 2.4 回归方程的显著性检验 2.4 回归方程的显著性检验 2.5 残差分析 2.5 残差分析 2.5 残差分析 2.5 残差分析 2.5 残差分析 2.5 残差分析 2.5 残差分析 2.5 残差分析 2.6 回归系数的区间估计 2.7 预测和控制 2.7 预测和控制 二、区间预测 1 因变量新值的区间预测 二、区间预测 1 因变量新值的区间预测 二、区间预测 1 因变量新值的区间预测 二、区间预测 2 因变量平均值的区间估计 二、区间预测 计算 三、控制问题 2.8 本章小结与评注 一、一元线性回归模型从建模到应用的全过程 例2.2 全国人均消费金额记作y(元); 人均国民收入记为x(元) 2.8 本章小结与评注 二、有关回归假设检验问题 1973年Anscombe构造了四组数据, 这四组数据所建的回归方程是相同的,决定系数,F统计量也都相同,且均通过显著性检验。 2.8 本章小结与评注 四、相关系数的显著性检验 用SPSS软件做相关系数的显著性检验 四、相关系数的显著性检验 两变量间相关程度的强弱分为以下几个等级： 当|r|≥0.8时，视为高度相关； 当0.5≤|r|＜ 0.8时，视为中度相关； 当0.3≤|r|＜ 0.5时，视为低度相关； 当|r|＜ 0.3时，表明两个变量之间的相关程度极弱， 在实际应用中可视为不相关。 五、三种检验的关系 H0: b=0 H0: r=0 H0: 回归无效 六、样本决定系数 可以证明 一、残差概念与残差图 残差 误差项 残差ei是误差项ei的估计值。 一、残差概念与残差图 一、残差概念与残差图 图 2.6 火灾损失数据残差图 二、残差的性质 性质1 E (ei)=0 证明: 二、残差的性质 性质2 其中 称为杠杆值 二、残差的性质 二、残差的性质 性质3. 残差满足约束条件: 三、改进的残差 标准化残差 学生化残差 等价于 β1的1-α 置信区间 一、单值预测 二、区间预测 找一个区间（T1,T2），使得 需要首先求出其估计值 的分布 1．