数据模型与决策教学作者李连友第7章节数据的相关与回归分析课件幻灯片.ppt

Excel结果， spss结果 　 Coefficients 标准误差 t Stat P-value Lower 95% Upper 95% 下限 95.0% 上限 95.0% Intercept 40019.23619 50249.74 0.79641 0.44878 -75856.86 155895.3 -75856.9 155895.34 管理费用x 4.031529486 1.172023 3.4398 0.00883 1.3288394 6.73422 1.328839 6.7342196 表7-9 模型参数估计和检验Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. 95.0% Confidence Interval for B B Std. Error Beta Lower Bound Upper Bound 1 (Constant) 40019.236 50249.737 ? .796 .449 -75856.864 155895.336 管理费用x 4.032 1.172 .772 3.440 .009 1.329 6.734 a. Dependent Variable: 营业利润y 根据上面三张表，可以基本完成整个回归的方程，检验。 具体的一元线性回归回归方程为： =40019.24+4.0315x 含义：当管理费用每增长1万元时，营业利润平均增加4.0315万元。 7.3.2对模型进行检验 1.进行拟合优度检验 相关系数Multiple R=0.7724，说明两者之间的密切程度为0.7724，中等程度的正相关。 R Square=0.5966，即可决系数为59.66%，说明在营业利润的变差中，有59.66%可以用营业利润和管理费用的关系来解释 标准误差=112835，说明根据管理费用对利润进行估计，平均的估计误差为112835万元 。 2.进行显著性检验 t检验： 提出假设：H0：β1＝0 H1：β1≠0 因为P=0.00883，?=0.05，P?/2，拒绝H0，表明自变量X对因变量y的影响是显著。 F检验： H0：β1＝0 （ 两个变量之间的线性关系不显著） H1： （ 两个变量之间的线性关系显著） P =0.008826359?，拒绝H0，两个变量之间的线性关系是显著。 7.3.3预测 见表7-6； 还可利用残差 对模型的假定进行检验。 误差项 ? 满足：正态性，方差齐性，独立性 通过残差图，大致判断模型选择是否合适、是否方差齐性； 是否符合正态性、及独立性等 管理费用与营业利润的关系方程中，关于y的残差图，残差范围在-2和+2之间，且基本在一条水平带内，说明模型选择合适的； 过标准化残差的直方图和正态概率图，基本呈正态分布，说明模型假定成立。 可以通过残差自相关的检验，说明残差的独立性； 7.4 多元线性回归分析 7.4.1 基本模型与假设要求 一个因变量与两个及两个以上自变量的回归，称为多元回归。当自变量与因变量之间存在线性关系时，称为多元线性回归分析。 描述因变量 y 如何依赖于自变量 x1 ， x2 ，…， xp 和误差项 ? 的方程，称为多元回归模型。涉及 p 个自变量的多元线性回归模型可表示为： β0，β1，β2 ，?，βp是参数；?是被称为误差项的随机变量 多元回归模型的基本假定包括： （1）正态性（2）方差齐性。（3）独立性。 需要假设自变量之间不存在完全的多重共线性 满足基本假定后得到的多元线性回归方程，描述了因变量 y 的平均值或期望值如何依赖于自变量x1，x2，…，xp的方程, E( y ) = ?0+ ?1x1 + ?2x2 +…+ ?pxp 其中β0,β1，β2 ，?，βp称为偏回归系数 βi表示假定其他变量不变，当 xi 每变动一个单位时，y 平均变动值 样本估计回归方程为： 为偏回归系数; 是因变量y的估计值。 7.4.2 模型求解原理 利用与一元回归类似的最小二乘法可以得到总体参数的估计量和估计值.常借助计算机完成。 7.4.3 模型检验 1.经济意义检验 如参数估计值的符号、大小与经济发展及经济判别是否符合。 2.拟合优度检验 常使用多重判定系数，修正