第4章一元回归模型.pptVIP

第4章 回归模型预测 §4.1 引言 §4.2 一元线性回归 §4.3 多元线性回归模型 §4.4　非线性回归模型 *相关关系另外分类法 【例】一家大型商业银行在多个地区设有分行， 其业务主要是进行基础设施建设、国家重点项目 建设、固定资产投资等项目的贷款。近年来，该 银行的贷款额平稳增长，但不良贷款额也有较大 比例的提高，这给银行业务的发展带来较大压力 。为弄清楚不良贷款形成的原因，希望利用银行 业务的有关数据做些定量分析，以便找出控制不 良贷款的办法。下面是该银行所属的25家分行 2002年的有关业务数据 (1)对两个变量之间线性相关程度的度量称为简单相关系数，其计算公式为 (1) r 的取值范围是 [-1,1] (2) |r|=1，为完全相关 r =1，为完全正相关 r =-1，为完全负正相关 (3) r = 0，不存在线性相关关系相关 (4) -1?r0，为负相关 (5) 0r?1，为正相关 (6) |r|越趋于1表示关系越密切；|r|越趋于0表示关系越不密切 相关系数(意义) 1、目的：检验两个变量之间是否存在线性相关关系 例：对不良贷款与贷款余额之间的相关系数进行显著性检(??0.05) 提出假设：H0：? ? ? ；H1： ? ? 0 计算检验的统计量 各相关系数检验的统计量 (1)从一组样本数据出发，确定变量之间的关系式 (2)对这些关系式的可信程度进行各种统计检验，并从影响某一特定变量的诸多变量中找出哪些变量的影响显著，哪些不显著 (3)利用所求的关系式，根据一个或几个变量的取值来预测或控制另一个特定变量的取值，并给出这种预测或控制的精确程度 (1)相关分析中，变量 x 变量 y 处于平等的地位 回归分析中，变量 y 称为因变量，处在被解释 的地位，x 称为自变量，用于预测因变量的变化 (2)相关分析中所涉及的变量 x 和 y 都是随机变 量；回归分析中，因变量 y 是随机变量，自变 量 x 可以是随机变量，也可以是非随机的确定 变量 (3)相关分析主要是描述两个变量之间线性关系 的密切程度；回归分析不仅可以揭示变量 x 对 变量 y 的影响大小，还可以由回归方程进行预 测和控制 1、原模型： y 与 x 的真实关系 y =f(x) + e 线性回归模型 y = b0 + b1 x + e * 线性部分反映了由于 x 的变化而引起的 y 的变化 * 误差项 ? 是随机变量：反映了除 x 和 y 之间的线 性关系之外的随机因素对 y 的影响，是不能由 x 和 y 之间的线性关系所解释的变异性 ?0 和 ?1 称为模型的参数 描述因变量 y 如何依赖于自变量 (2) 用于预测和控制 (1) 误差项ε是一个期望值为0的随机变量，即E(ε)=0。对于一个给定的 x 值，y 的期望值为E ( y ) =? 0+ ? 1 x (2) 对于所有的 x 值，ε的方差σ2 都相同 (3) 误差项ε是一个服从正态分布的随机变量，且相互独立。即ε~N( 0 ,σ2 ) 独立性意味着对于一个特定的 x 值，它所对应的ε与其他 x 值所对应的ε不相关 对于一个特定的 x 值，它所对应的 y 值与其他 x 所对应的 y 值也不相关 最小二乘估计(图示) 【例】求不良贷款对贷款余额的回归方程 不良贷款对贷款余额回归方程的图示 1、变差：因变量 y 的取值是不同的，y 取值的这 种波动称为变差 ( SST )。变差来源于两个方面： 由于自变量 x 的取值不同造成的 ( SSE ) 除 x 以外的其他因素(如x对y的非线性影响、测量误差等)的影响 ( SSR ) 变差的分解 (图示) (1) 总平方和(SST) 反映因变量的 n 个观察值与其均值的总离差 (2) 回归平方和(SSR) 反映自变量 x 的变化对因变量 y 取值变化的影 响，或者说，是由于 x 与 y 之间的线性关系引 起的 y 的取值变化，也称为可解释的平方和 (3) 残差平方和(SSE) 反映除 x 以外的其他因素对 y 取值的影响，也 称为不可解释的平方和或剩余平方和 4、判定系数 R2 (coefficient of determination) (1) 定义：回归平方和占总离差平方和的比例 【例】计算不良贷款对贷款余额回归的判定系数 并解释其意义 1、检验目的：检验自变量与因变量之间的线性关系是否显著 提出假设 H0：不良贷款与贷款余额之间的线性关系不显著 (1) 提出假设 H0: b1 = 0 (没有线性关系) H1: b1 ? 0 (有线性关系) (2) 检验的统计量 对例题的回归系数进行显著性检验(?＝0.05) 提出假设 H0：b1 = 0