统计学第八章相关与回归分析.ppt

相关关系的测度（相关系数取值及其意义） 一元线性回归模型的估计 线性回归模型的检验分二大类： 2、回归方程的显著性检验 （线性关系的检验 ） 检验自变量和因变量之间的线性关系是否显著 具体方法是将回归离差平方和(SSR)同剩余离差平方和(SSE)加以比较，应用F检验来分析二者之间的差别是否显著 如果是显著的，两个变量之间存在线性关系 如果不显著，两个变量之间不存在线性关系 回归方程的显著性检验 （检验的步骤） 提出假设 H0：线性关系不显著 回归系数的显著性检验（要点） 回归系数的显著性检验 （步骤） 提出假设 H0: b1 = 0 (没有线性关系) H1: b1 ? 0 (有线性关系) 计算检验的统计量 相关分析与回归分析的关系 1.相关分析与回归分析的联系 两者具有互为补充关系。 通过回归分析可以求出一个估计的回归方程，用来反映变量之间在数量变化上的联系；相关分析通过计算出来的相关指标，反映在回归方程这种固定联系的形式下变量之间联系的密切程度。仅仅进行回归分析，回归方程的有效性便遭到怀疑，而仅仅进行相关分析，便不能由自变量来推断因变量，两者是不可偏废某一方的。 相关分析与回归分析的关系 2．相关分析与回归分析的区别 两者在关心变量性质上的不同。在回归分析中，必须将变量分为自变量和因变量，以便建立回归方程；也必须将变量分为确定性变量和随机变量，以便研究随机变量的分布以及对其进行统计推断。区分变量的性质是回归分析的前提条件，是回归分析中首先要解决的一个问题。 利用图表进行回归分析 例 近年来国家教育部决定将各高校的后勤社会化。某从事饮食业的企业家认为这是一个很好的投资机会，他得到十组高校人数与周边饭店的季度销售额的数据资料，并想根据高校的数据决策其投资规模。 ②从“插入”菜单中选择“图表”选项，打开“图表向导”对话框如下图所示。在“图表类型”列表中选择XY散点图，单击“下一步”按钮。 ③在数据区域中输入B2:C11，选择“系列产生在——列”，如下图所示，单击“下一步”按钮。 ④打开“图例”页面，取消图例，省略标题，如下图所示。 ⑤单击“完成”按钮，便得到XY散点图如下图所示。 ⑥如图1所示，用鼠标激活散点图，把鼠标放在任一数据点上，单击鼠标右键，打开菜单，在菜单栏里选择“填加趋势线”选项，打开趋势线对话框如图2所示。 ⑦打开“类型”页面，选择“线性”选项，Excel将显示一条拟合数据点的直线。 ⑧打开“选项”页面如图3所示，在对话框下部选择“显示公式”和“显示R平方根”选项，单击“确定”按钮，便得到趋势回归图如图4所示。 回归分析工具的应用 例 某房地产经纪人从政府部门列举的地区中随机抽取了15户居民作为样本， 记录了他们的家庭住房面积及其相应的价格，他想确认一下住房面积（平方米）与价格（千元）的关系，并想据此拟合住房价格的回归方程。 操作过程： ①打开“简单线性回归.xls”工作簿，选择“住房”工作表如下图所示。 ②在“工具”菜单中选择“数据分析”选项，打开“数据分析”对话框如下图所示。 ③在“分析工具”列表中选择“回归”选项，单击“确定”按钮，打开“回归”对话框如下图所示。 ④在Y值输入区域中输入C1:C16。 ⑤在X值输入区域中输入B1:B16。 ⑥选择“标志”，置信度选择95%。 ⑦在“输出选项”中选择“输出区域”，在其右边的位置输入“D1”，单击 “确定”按钮。输出结果如下图所示。 回归分析工具的输出解释 Excel的回归分析工具计算简便,但内容丰富， 计算结果共分为三个模块： 回归统计表 方差分析表 回归参数 回归统计表包括以下几部分内容： Multiple R（复相关系数R）：R2的平方根，又称为相关系数，它用来衡量变量x和y之间相关程度的大小。 若R为0.848466，表示二者之间的关系是高度正相关。 R Square(判决系数R2 )：用来说明用自变量解释因变量变差的程度，以测量同因变量y的拟合效果。 若系数为0.719894，表明用自变量可解释因变量变差的71.99%。 Adjusted R Square (调整判决系数R2)：仅用于多元回归才有意义，它用于衡量加入独立变量后模型的拟合程度。当有新的独立变量加入后，即使这一变量同因变量之间不相关，未经修正的R2也要增大，修正的R2仅用于比较含有同一个因变量的各种模型。 标准误差：又称为标准回归误差或叫估计标准误差，它用来衡量拟合程度的大小，也用于计算与回归有关的其他统计量，此值越小，说明拟合程度越好。 观测值：是指用于估计回归方程的数据的观测值个数。 2. 方差分析表 方