2009第八章节相关与回归分析学生版课件(1656KB).ppt

* * * * * * * * * * * * * * * * * * * 105 * * * ‘Standard Error’ is the estimated standard deviation of the sampling distribution, sbP. * * * * * * 12 * * * * * * * * * * * * * * * * * * * 139 * * * * * * * * 24 This teleology is based on the number of explanatory variables nature of relationship between X Y. * * * * * * * * * * * * * * * 回归系数的显著性检验（样本统计量 的分布） 是根据最小二乘法求出的样本统计量，它有自己的分布 的分布具有如下性质 分布形式：正态分布 数学期望： 标准差： 由于?未知，需用其估计量Sy来代替得到 的估计的标准差 回归系数的显著性检验（样本统计量 的分布） 的抽样分布 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 确定显著性水平?，并进行决策 ? t?t???，拒绝H0；? t?t???，接受H0 回归系数的显著性检验 （实例） 提出假设 H0：b = 0邮政业务收入和社会消费品零售总额之间无显著线性关系 H1：b ? 0邮政业务收入和社会消费品零售总额之间有显著线性关系 计算检验的统计量 t=11.296t???=2.045，拒绝H0，表明邮政业务收入和社会消费品零售总额之间有显著线性关系 ?对前例的回归系数进行显著性检验(?＝0.05) 回归系数的显著性检验(Excel输出的结果） 多元线性回归模型 多元线性回归模型 （概念要点） 一个因变量与两个及两个以上自变量之间的回归 描述因变量 y 如何依赖于自变量 x1 ， x2 ，…， xp 和误差项 ? 的方程称为多元线性回归模型 涉及 p 个自变量的多元线性回归模型可表示为 b0 ，b1，b2 ，?，bp是参数 ? 是被称为误差项的随机变量 y 是x1,，x2 ，? ，xp 的线性函数加上误差项? ? 说明了包含在y里面但不能被p个自变量的线性关系所解释的变异性 多元线性回归模型 （概念要点） ? 对于 n 组实际观察数据(yi ; xi1,，xi2 ， ? ，xip )，(i=1,2,…,n)，多元线性回归模型可表示为 y1 = b0 + b1 x11+ b2 x12 +?+ bpx1p + e1 y2= b0 + b1 x21 + b2 x22 +?+ bpx2p + e2 yn= b0 + b1 xn1 + b2 xn2 +?+ bpxnp + en { …… 多元线性回归模型（基本假定） 自变量 x1，x2，…，xp是确定性变量，不是随机变量 随机误差项ε的期望值为0，且方差σ2 都相同 误差项ε是一个服从正态分布的随机变量，即ε~N(0,σ2)，且相互独立 多元线性回归方程 （概念要点） 描述 y 的平均值或期望值如何依赖于 x1， x2 ，…，xp的方程称为多元线性回归方程 多元线性回归方程的形式为 E( y ) = ?0+ ?1 x1 + ?2 x2 +…+ ?p xp b1，b2，?，bp称为偏回归系数 bi 表示假定其他变量不变，当 xi 每变动一个单位时，y 的平均平均变动值 多元线性回归方程的直观解释 二元线性回归模型 (观察到的y) 回归面 ?0 ?i x1 y x2 (x1,x2) } 多元线性回归的估计(样本)方程 总体回归参数 是未知的，利用样本数据去估计 用样本统计量 代替回归方程中的 未知参数 即得到估计的回归方程 是 估计值 是 y 的估计值 参数的最小二乘估计 参数的最小二乘法 （要点） 根据最小二乘法的要求，可得求解各回归参数 的标准方程如下 使因变量的观察值与估计值之间的离差平方和达到最小来求得 。即 回归方程的显著性检验 多重样本决定系数 （多重判定系数 R2 ） 回归平方和占总离差平方和的比例 反映回归