第五讲回归分析.ppt

第二节 多元线性回归(Linear过程) 主要功能和原理介绍 在实际问题中，因变量常受不只一个自变量的影响。如：植物生长速度受温度、光照、水分、营养等许多因素的影响；家庭消费支出受可支配收入水平、以往消费水平、收入水平的影响；汽车的需求量受人们的收入水平、汽车价格、汽车使用费用的高低等影响。 多元线性回归就是研究某一个因变量和多个自变量之间的相互关系的理论与方法。 多元线性回归方程中变量的选取 1．向后剔除法（Backward Elimination） （1）将所有的P个自变量全部选入回归模型，然后估计出回归系数； （2）检验回归系数是否为零； （3）去掉在回归系数检验中没有通过的检验（即回归系数为零）具有最小F值的变量，将剩余的P-1个自变量作回归模型，再估计出回归系数，如果没有通过检验的变量较多，将检验水平选的稍微大一点，如0.10； （4）再对P-1个自变量作回归系数进行是否为零的检验，如果还有变量的回归系数没有通过检验，再去掉在回归系数检验中具有最小F值的变量，将剩余的P-2个自变量再作回归模型估计出回归参数； （5）依此进行下去直到所剩变量均通过检验。 图形判断，观察点越多在某条曲线上，该曲线方程拟合越好 练习： 1.气压会随着大气密度的增加而升高,试根据某地区观测得到的资料,以大气密度为自变量，气压为因变量进行曲线回归分析，拟合一条最佳曲线？（数据见data5-3） 2.某商场1989～1998年的商品流通费用率与商品零售额，数据见data5-4所示。如果1999年该商场商品零售额36.33亿元，试预测1999年该商场商品流通费用额。 * * * 三 峡 大 学 经济与管理学院 在数量分析中，经常会看到变量与变量之间存在着一定的联系。要了解变量之间如何发生相互影响的，就需要利用相关分析和回归分析。 本讲介绍回归分析基本概念、主要类型：一元线性、多元线性、非线性回归分析、曲线估计、时间序列的曲线估计、含虚拟自变量的回归分析以及逻辑回归分析等。 第五讲 回归分析 回归分析基本概念 在回归分析中，因变量y是随机变量，自变量x可以是随机变量，也可以是非随机的确定变量；而在相关分析中，变量x和变量y都是随机变量。 相关分析是测定变量之间的关系密切程度，所使用的工具是相关系数； 回归分析则是侧重于考察变量之间的数量变化规律，并通过一定的数学表达式来描述变量之间的关系，进而确定一个或者几个变量的变化对另一个特定变量的影响程度。 具体地说，回归分析主要解决以下几方面的问题： ?通过分析大量的样本数据，确定变量之间的数学关系式； ?对所确定的数学关系式的可信程度进行各种统计检验，并区分出对某一特定变量影响较为显著的变量和影响不显著的变量； ?利用所确定的数学关系式，根据一个或几个变量的值来预测或控制另一个特定变量的取值，并给出这种预测或控制的精确度。 第一节 一元线性回归 线性回归的统计原理： 两个定距变量的回归是用函数来分析的。我们最常用的是一元线性回归方程： 通过样本数据建立一个回归方程后，不能立即就用于对某个实际问题的预测。因为，应用最小二乘法求得的样本回归直线作为对总体回归直线的近似，这种近似是否合理，必须对其作各种统计检验。具体统计检验有： （1）拟合优度检验 回归方程的拟合优度检验就是要检验样本数据聚集在样本回归直线周围的密集程度，从而判断回归方程对样本数据的代表程度。 回归方程的拟合优度检验一般用判定系数 实现。该指标是建立在对总离差平方和进行分解的基础之上。 （2）回归方程的显著性检验（F检验） 回归方程的显著性检验是对因变量与所有自变量之间的线性关系是否显著的一种假设检验。一般采用F检验，利用方差分析的方法进行。 回归参数显著性检验的基本步骤： ① 提出假设； ② 计算回归方程的F统计量值； ③ 根据给定的显著水平α确定临界值，或者计算F值所对应的p值； ④ 作出判断（F对应的显著性水平小于0.05或0.1，可以判断回归方程系数不会同时为0，回归方程存在。） （3）回归系数的显著性检验（t检验） 回归方程的显著性检验只能检验所有回归系数是否同时与零有显著性差异，它不能保证回归方程中不包含不能较好解释说明因变量变化的自变量。因此，可以通过回归系数显著性检验对每个回归系数进行考察。 回归参数显著性检验的基本步骤： ① 提出假设； ② 计算回归系数的t统计量值； ③ 根据给定的显著水平α确定临界值，或者计算t值所对应的p值； ④ 作出判断（t