2.3 一元线性回归模型检验.ppt

1、拟合优度检验 拟合优度检验：对样本回归直线与样本观测值之间拟合程度的检验。 度量拟合优度的指标：判定系数（可决系数）R2 2、变量的显著性检验 回归分析是要判断解释变量X 是否是被解释变量Y 的一个显著性的影响因素。 在一元线性模型中，就是要判断X 是否对Y 具有显著的线性性影响。这就需要进行变量的显著性检验。 假设检验 假设检验采用的逻辑推理方法是反证法。 先假定原假设正确，然后根据样本信息，观察由此假设而导致的结果是否合理，从而判断是否接受原假设。 判断结果合理与否，是基于“小概率事件不易发生”这一原理的。 3、方差分析(F 检验) 它把总平方和TSS分解为两个构成部分：解释平方和ESS与残差平方和RSS，对TSS的这些构成部分进行研究就叫做从回归的观点做方差分析。 * * 三、一元线性回归模型的统计检验 1、拟合优度检验 2、变量的显著性检验 3、方差分析 回归分析是要通过样本所估计的参数来代替总体的真实参数，或者说是用样本回归线代替总体回归线。 尽管从统计性质上已知，如果有足够多的重复抽样，参数的估计值的期望(均值)就等于其总体的参数真值，但在一次抽样中，估计值不一定就等于该真值。 那么，在一次抽样中，参数的估计值与真值的差异有多大，是否显著，这就需要进一步进行统计检验。 主要包括拟合优度检验、变量的显著性检验及方差分析。 问题：采用普通最小二乘估计方法，已经保证了模型最好地拟合了样本观测值，为什么还要检验拟合程度？ 对参数进行了估计，还不能把全部样本观察值的变化情况作为一个整体来全面反映。在多大程度上可以由样本回归方程说明，需要构造一个统计量来反映样本回归线对样本的拟合程度。 总离差平方和的分解 已知由一组样本观测值(Xi , Yi)(i=1,2…, n ) 得到如下的样本回归直线： 而Y 的第i个观测值与样本均值的离差 可分解为两部分之和 是样本回归拟合值与观测值的平均值之差，可认为是由回归直线解释的部分，称为可解释偏差或回归偏差； 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。 是实际观测值与回归拟合值之差，是回归直线不能解释的部分，称为残差或随机偏差； 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，可以证明： 记： 总体平方和（Total Sum of Squares） 回归平方和（Explained Sum of Squares） 残差平方和（Residual Sum of Squares） TSS = ESS + RSS Y 的观测值围绕其均值的总离差(total variation)可分解为两部分：一部分来自回归线(ESS)，另一部分则来自随机势力(RSS)。 在给定样本中，TSS 不变，如果实际观测点离样本回归线越近，则ESS 在TSS 中占的比重越大。 因此可以用ESS 在TSS 中所占的比例表示样本回归线与样本观察值拟合的程度，即总离差中可以由样本回归方程说明的比例。 可决系数R2 统计量 R2 也称为样本可决系数(coefficient of determination)或拟合优度； 可决系数的取值范围为[0,1]； R2 越接近1，说明实际观测点离样本回归线越近，拟合优度越高。 回归平方和ESS 残差平方和RSS R 2 ＝ ＝1－ Y 的总离差TSS Y 的总离差TSS 定义： 注： 在例2.1.1的收入-消费支出例中， 注：可决系数是一个非负的统计量。它也是随着抽样的不同而不同。为此，对可决系数的统计可靠性也应进行检验，这将在第3章中进行。 在实际计算可决系数时，在 已经估计出后： 变量的显著性检验所应用的方法是数理统计学中的假设检验。计量经计学中，主要是针对变量的参数真值是否为零来进行显著性检验的。 就是事先对总体参数或总体分布形式作出一个假设，然后利用样本信息来判断原假设是否合理，即判断样本信息与原假设是否有显著差异，从而决定是否接受或否定原假设。 变量的显著性检验 对于一元线性回归方程中的 ，已经知道它服从正态分布 由于真实的 未知，在用它的无偏估计量 替代