第十二章_回归分析预测法2.pptVIP

第十二章 回归分析预测法;章 节 重 点;;　　　变量与变量之间的函数关系反映客观事物之间存在着严格的依存关系。在这种关系中，当一个或几个变量取值一定时，另一个变量有确定的值与之相对应，并且这种关系可以用一个确定的数学表达式反映出来。 在三个变量中，任意两个都可以确定第三个。 一般把作为影响因素的变量称为自变量，把发生对应变化的变量称为因变量。 ; 2.相关关系 　　 相关关系反映的是客观事物之间的非严格、不确定的线性依存关系。这种线性依存关系有两个显著的特点： ①客观事物之间在数量上确实存在一定的内在联系。表现在一个变量发生数量上的变化，要影响另一个变量也相应地发生数量上的变化。 ②客观事物之间的数量依存关系不是确定的，具有一定的随机性。表现在当一个或几个相互联系的变量取一定数值时，与之对应的另一个变量可以取若干个不同的数值。这种关系虽然不确定，但因变量总是遵循一定规律围绕这些数值的平均数上下波动。;;1、定义理解： 相关分析是以相关关系为对象，研究两个或两个以上随机变量之间线性依存关系的紧密程度。通常用相关系数表示，多元相关时用复相关系数表示。 回归分析是对具有相关关系的变量之间的数量变化规律进行测定，研究某一随机变量（因变量）与其他一个或几个普通变量（自变量）之间的数量变动关系，并据此对因变量进行估计和预测的分析方法。 ; 它们是研究客观事物之间相互依存关系的两个不可分割的方面。 在实际工作中，一般先进行相关分析，由相关系数的大小决定是否需要进行回归分析。在相关分析的基础上建立回归模型，以便进行推算、预测，同时相关系数还是检验回归分析效果的标准。 相关分析需要回归分析来表明客观事物数量关系的具体形式，而回归分析则应建立在相关分析的基础上。;（四）在回归分析中应当注意的问题 ;在回归分析中应当注意的问题 ;;;;　　 回归模型 分类： （1）根据自变量的多少： 一元回归模型和多元回归模型。 （2）根据回归模型的形式线性与否： 线性回归模型和非线性回归模型。 （3）根据回归模型所含的变量是否有虚拟变量： 普通回归模型和带虚拟变量的回归模型。 （4）根据回归模型是否用滞后的因变量作自变量： 无自回归现象的回归模型和自回归模型。;;;;;OLS (Ordinary Least Square）估计;（2） OLS的特性 最小二乘估计量 具有线性、无偏性和最小方差性等良好的性质。线性、无偏性和最小方差性统称BLUE性质。满足BLUE性质的估计量 称为BLUE估计量。 ;;;（三）回归系数?1、?0 的置信区间 一元线性模型，?i (i=0，1）的置信区间:;于是得到:(1-?)的置信度下, ?i的置信区间是 ;（四）如何才能缩小置信区间？;（五）回归系数不显著的原因;;三、样本容量;四、 多元线性回归模型的统计检验 ;（一）拟合优度检验;拟合好坏的差异; 如果Yi=?i 即实际观测值落在样本回归“线”上，则拟合最好。 可认为，“离差”全部来自回归线，而与“残差”无关。; 对于所有样本点，则需考虑这些点与样本均值离差的平方和：;2、可决系数 R2 统计量 ;调整的可决系数 R2;则调整的可决系数可记为：;（二）方程的显著性检验（F检验）;方程显著性的F检验;根据数理统计学中的知识，在原假设H0成立的条件下，统计量 F?(k,n-k-1) 含义：其意义是与残差平方和相比，回归平方和越大，方程越显著;给定显著性水平?，可得到临界值F?(k,n-k-1)。 由样本求出统计量F的值。 通过 F? F?(k,n-k-1) F?F?(k,n-k-1) 来拒绝或不能拒绝原假设 H0，以判定原方程 总体上的线性关系是 否显著成立。;又例如：; 2、关于拟合优度检验与方程显著性检验关系的讨论 ;（三）变量的显著性检验（t检验）;检验步骤;1. 预测区间;2. 的预测区间;E(Y0)和Y0预测精度的影响因素;;; 年 份 ;1、分析过程中用到的数据，统计量分别为Y、X1 、X2 、 X3 、X4 、X5,建立模拟多元线性方程 2、应用Eviews软件将Y对X1 、X2 、X3 、X4 、X5进行最 小二乘回归分析，分析结果如下：; 方程中的5个自变量对因变量有着不同程度的影响：X1(区域生产总值)每增加一个单位（亿元），住宅需求量会增加0.0747个单位（万m2）X2(人均居住面积)每增加一个单位（m2）