第4章 节 回归分析.ppt

第4章 回归预测基础;第4章 回归预测基础;引例——饮料销量的回归预测;Agenda;事物规律性的表象可以分为两类： 随机现象； 非随机现象（确定现象）。 在相同条件下重复观测（或重复试验） ： 随机现象每次结果未必相同； 非随机现象结果总是肯定的。;;（1）函数关系 函数关系是一一对应的确定性关系。重复观测时，观测点 都落在对应于函数关系的曲线上。记: 在（4－1）式中，称Y为因变量，X为自变量，f表示X和Y对应的函数关系。;时期; 例如，以固定价格销售的某种商品，其销售额（Y）与销售量（X）之间为函数关系。当单位商品价格为2元，表4－1中数据间的函数关系式为： Y＝2X （4－2） 显然，所有观测点 都落在函数关系曲线上见图4－1。;图 4-1;（2）统计关系 统计关系不同于函数关系，当重复观测时，观测点 不是完全落在统计关系曲线上，而是围绕统计关系曲线散布。因此，统计关系是不完全一致的对应关系。 统计关系可以表示为确定性部分和随机性部分二者之和，这是回归分析的基础。;表4－2 某商品的价格与供给量 ; 例如，商品的市场供给量（Y）与其价格水平（X）之间的关系为统计关系。商品的价格水平高，该种商品生产者提供给市场的供给量就大；反之，商品的价格水平低，该种商品生产者提供给市场的供给量就少。图4－2是根据表4－2数据绘制的统计关系曲线图。;2.相关分析 我们把研究相关关系的方法称之为相关分析。 相关分析主要用一个指标（相关系数）去表明变量间相互依存关系的性质和密切程度。 ;;相关关系;;;;;;;（2）回归分析与相关分析的关系;4.1.2 回归函数;若令各个值 与条件均值 的偏差为 ，我们把 称为随机扰动项或随机误差项。则有： ;回归函数有总体回归函数和样本回归函数之分。 我们使用总体中全部被解释变量Y和解释变量X数据得到的回归函数称为总体回归函数。 我们使用总体中被解释变量Y和解释变量X的抽样数据得到的回归函数，称为样本回归函数。 在实际应用中，我们总是以样本回归函数来作为总体回归函数的近似反映。回归分析的目的就是要用样本回归函数去尽可能准确地估计总体回归函数。; 样本回归函数与总体回归函数是有区别的。 一是，总体回归函数虽然未知，但它是确定的；而样本回归函数随着样本的变化而变化，所以可以有许多个样本回归函数。 二是，总体回归函数中的参数 是确定的常数；而样本回归函数中的参数 是随着样本的变化而变化的随机变量。 三是，总体回归函数中的 是不可直接观测的；而样本回归函数中的误差项 是只要估计出样本回归函数的参数就可以计算的数值。;2.线性回归模型和非线性回归模型 线性模型的“线性”有两种解释： 一种是模型就变量而言是线性的，即： Y的条件均值 是解释变量X的线性函数，那么， 和 就不是线性回归模型。 二是模型就参数而言是线性的，即Y的条件均值 是参数β的线性函数，而不考虑解释变量X是否是线性函数，照此，前述两个模型均为线性回归模型，而 和 就不是线性回归模型。;;Agenda;4.2.1 线性回归模型的基本形式;;3.线性回归模型的矩阵形式;依照矩阵运算法则，式（4－9）可以表示为：;4.2.2 经典线性回归模型及其假设条件;3.随机干扰项独立于期望函数。 这一假设意味着回归模型中的所有解释变量 与随机干扰项u不相关。 4.解释变量矩阵X是非随机矩阵，且其秩为列满秩的，即： 式中k是解释变量的个数，n为观测次数。该假设表示回归模型的k个解释变量无线性相关，从而 值存在，参数向量β的估计量可求得。因此，这是求估计量的必要条件。 ;5.随机干扰项服从正态分布。 第2条假设相配合，给出了被解释变量的概率分布。并且由此可得参数的似然函数，从而导出最小二乘准则 6.随机干扰项的期望值为零。即： 7.随机干扰项具有方差齐性。即：;8.随机干扰项相互独立。即：;4.2.3