十单元相关与回归分析教程.pptVIP

4．回归预测 例5：以表1所建的回归方程为例，取产量为10千吨，试计算生产费用在95%的预测区间 于是，值的预测区间为： 1802.83±2.4469×85.87 即: 1518.32≤ ≤2087.35 以上预测区间说明，我们可以95%的概率保证，当产量为10千吨时，生产费用在1518.32到2087.35千元之间。 三、多元线性回归的数学模型 一元线性回归将影响因变量的自变量限制为一个，这在现实的大量社会经济现象中并不易做到。因而，实际应用回归分析法时，常需要有更一般的模型，把两个或更多个解释变量的影响分别估计在内。这就是多元回归亦称多重回归。 当影响变量Y 的主要因素有k 个时，可以建立起的总体回归模型为 这是Y 对X1，X2，?，Xk 的多元回归，也称多重回归或复回归。b1,b2,?,bk称为偏回归系数。 1、模型的建立 模型的基本假设大致与一元线性回归模型相同，只是自变量X1,X2,?,Xk之间不能有较强的线性关系。 利用变量Y 与X 的n 组样本数据，依照一定准则，可以得到回归系数b0,b1,?,bk 的估计值b0,b1,?,bk；建立起样本回归模型 2、参数的最小二乘估计 上页式中参数b0,b1,?,bk 可以利用变量Y 与X1，X2,?Xk 的n 组样本数据，依照最小二乘准则得到，它们可以采用求解正规方程组计算得到。 式中： 当自变量的数目k 较大时，求解正规方程组很复杂，需应用软件，因而通常将多元线性回归模型表述为矩阵形式。 则多元线性方程式可以写成矩阵形式 依据最小二乘准则，回归系数阵B 为 式中：X’是矩阵X 的转置阵； (X’X)-1 是(X’X)阵的逆阵。 由最小二乘准则得到的回归系数bj(j=1,2,?,k)表明在其他自变量保持不变的情况下，自变量Xj(j=1,2,?,k)变动一个单位所引起的因变量Y 的平均变动量。 可化为线性的回归 常见曲线的函数变换表 例：对表1中产品产量与生产费用之间的相关系数检验 ①提出原假设和备择假设。 ②取显著性水平 ，根据自由度 查 分布表得 =2.4469 ③计算检验的统计量： =9.7236 ④由于 ，则拒绝 ，表明变量间线性相关在统计上是显著的。即产品产量与生产费用之间的相关系数是显著的。 二、一元线性回归分析 （一）回归分析的概念和特点 1．回归分析的概念 回归分析就是对具有相关关系的变量之间数量变化的一般关系进行测定，确定一个相关的数学表达式，以便于进行估计或预测的统计方法。 2．回归分析的特点 （1）在变量之间，必须根据研究目的具体确定哪些是自变量，哪个是因变量。 （2）回归方程的作用在于，在给定自变量的数值情况下来估计因变量的可能值。一个回归方程只能做一种推算。推算的结果表明变量之间具体的变动关系。 （3）直线回归方程中，自变量的系数为回归系数。回归系数的符号为正时，表示正相关；回归系数的符号为负时，表示负相关。 （4）确定回归方程时，只要求因变量是随机的，而自变量是给定的数值。 回归分析 按回归变量 个数分 按回归形式分 一元回归 多元回归 线形回归 非线性回归 3．回归分析的类型 （二）一元线性回归分析 1．一元线性回归模型的确定 设有两个变量 和 ，变量 的取值随变量 取值的变化而变化，我们称 为因变量， 为自变量；反之亦然。一般来说，对于具有线性相关关系的两个变量，可以用一条直线方程来表示它们之间的关系，即： 倚 回归方程： 倚 回归方程： 例：以表1的资料，建立一元线性回归模型 3．回归方程的显著性检验 对于回归方程进行显著性检验基于以下两点： 第一，在根据样本数据拟合回归方程时，我们首先假设变量 与 之间存在着线性关系，但这种假设是否成立？就必须通过检验才能证实； 第二，样本回归方程 中的 b0 是对总体回归方程中参数 的最小二乘估计值，样本回归系数 能否作为总体回归系数 的估计值，还需要对总体回归系数 的显著性进行检验。 回归方程的检验一般包括两个方面的内容： 一是回归系数是否为0的检验 二是回归方程显著性检验 （1）回归系数的T检验 根据给定的显著性水平a(通常a＝0.05)和自由度df=n-2，查t 分布表，得到临界值ta/2①，若|tb|ta