应用统计学课件第11章相关分析和 与回归分析.pptxVIP

第11章 相关分析与回归分析11.1、变量间的关系11.2、相关系数的测度11.3、简单线性回归模型11.4、回归模型的应用11.1、变量间的关系1 、函数关系和相关关系 Y=f(x) 变量之间不确定性的依存关系，我们称之为相关关系.2、相关关系的种类例1、 下面是19个家庭食品消费支出和家庭收入数据(数据教材11-1)，试用图表分析食品消费支出与家庭收入的相关关系。11.2相关系数的测度1、线性相关系数性质：-1≤r≤+1r0,负相关；r0,正相关；|r|=1完全相关强相关和弱相关t检验的步骤：第一步：提出假设H0： ρ=0 H1： ρ≠0第二步：计算检验统计量值 第三步：根据给定的显著性水平a和自由度查t分布表，得到 临界值ta/2(n-2) 。 若t ta/2(n-2) ,则拒绝原假设。 反之，不能拒绝原假设。例11.2 针对数据11.1，19个家庭食品消费支出和家庭收入数据计算的样本相关系数r=0.9785，检验两者之间的线性相关系数是否显著(a=0.05)。解：第一步：提出假设H0： ρ=0 H1： ρ≠0第二步：计算检验统计量值 第三步：根据给定的显著性水平a和自由度查t分布表，得到 临界值t0.025(17)=2.1098 。 因为t=19.56 ta/2(n-2) ,故拒绝原假设。表明家庭食品支出与家庭收入变量总体上相关性显著。11.3简单线性回归模型11.3.1模型的基本定义 1、模型的数学形式Y:因变量、应变量、被解释变量X:自变量、解释变量2、模型包含随机误差项ε的原因1)引起变量观察值随机误差的诸多因素，使模型产生的误差。变量观察值的误差往往是不可避免的，无论是试验数据还是观察数据。但是在多次观察中有理由认为绝对值相同的正、负误差出现的机会大致相同。2)模型设定的误差。这其中既有模型的函数形式设定的误差，也可能有遗漏解释变量的误差。引起设定误差的原因可能是我们对于引起 变动的机理尚不清楚，有时也是为了简化模型的需要。3)存在一些无法观测的解释变量。3.关于随机误差项ε的假定1)对于ε本身而言，具有零均值，即 E(εi)=0 ；2)对于ε本身而言，具有等方差，即: D(εi)=σ2；3)对于ε本身而言，即εi和εj不相关，可以表示为: COV(εi,εj)=0 ；4) ε与解释变量X不相关，可以表示为: COV(εi,Xj)=0。11.3.2 最小二乘估计法(Least Squares Estimate Method) 1. 最小二乘的基本思想 根据Y 和X的样本观察值得到总体参数的估计值 ，最常用的方法就是最小二乘估计法，即假设在拟合Y依X线性关系的所有直线中，有一条直线的预测值和观察值的偏离程度最小，即:必有：整理得到参数的估计值：在手工计算样本相关系数时，通常先列计算表得到∑X，∑Y，∑XY，∑X2，∑Y2。然后代入公式。例11.3 针对数据11-1，试估计居民食品消费支出依家庭收入的回归方程。通过计算，可以得到食品消费支出依居民家庭收入的样本回归方程，写成：根据经济学的知识，对这一回归方程可以做出解释，斜率0.2537表示当家庭收入每增加1万元，用于居民家庭食品的消费支出平均增加2537元，可以理解为收入对食品支出的边际贡献；而截距1.1782可以理解为收入为0时家庭食品支出额。2. 在EXCEL中回归方程的估计第一步，选择“数据分析”中的“回归”分析工具，选择Y的输入区域和X的输入区域，如图第二步，点击确定后得到如图11-3b的三张表：回归统计、方差分析和系数表(Coefficients)。11.3.3回归方程的显著性检验1.回归方程整体拟合效果的检验——拟合优度(goodness of fit)Y的总变差：回归平方和：残差平方和：对于给定的样本数据，无论样本回归线如何，总变差平方和TSS总是一定的，那么ESS在TSS中所占比重越高，或者说由于随机因素引起的变差RSS所占比重越小，都能够说明根据 解释 的变化效果越好，因此我们定义：称R2为拟合优度(goodness of fit)或判定系数，它度量了回归方程的拟合效果。根据上面相关定义可知，拟合优度的取值[0，1]。2.回归方程线性关系的显著检验——F检验度以例11-3中食品消费支出的回归分析结果为例第一步：提出假设H0:β=0H1:β≠0第二步：计算F统计量第三步：查自由度为(1,17)的F分布临界值，一般情形下，给定显著性水平a=0.05 。 F0.05（1,17）=8.3997第四步：将根据样本回归结果计算的F=382.8091和临界值比较，由于F F0.05（1,17）=8.3997 ，因此拒绝原假设。 P-值检验，F对应的右侧概率。3.回归方程系数的显著检验——t检验度(t-test)t检验的步骤第一步：提出假设第二步：计算