第十章 相关和 与回归 统计学PPT 课件.ppt

第一节 相关分析概述;联系与相互影响是普遍的现象;相关分析的意义;现象之间的相互关系，可以概括为两种不同的类型：;函数关系;直线相关 ;正相关 ;线性正相关;线性负相关;无（不）相关;相关关系的种类：;（1）确定现象之间有无相关关系，以及相关关系的表现形态。 （2）确定相关关系的密切程度。 （3）确定相关关系的数学模型，并进行参数估计和拟合优度检验。 （4）回归预测，并分析估计标准误差。 ;相关关系的测定;相关表;简单 相关表;企业编号;平均每昼夜产量;相关图;正 相 关;X;在直线相关的条件下，用以反映两变量间线性相关密切程度的统计指标，用r表示;相关系数r的取值范围：-1≤r≤1;序号;【例】计算工业总产值与能源消耗量之间的相关系数 资料;相关系数的统计检验;线性相关的显著性检验;相关系数的显著性检验（t检验法）;学生;【例】检验工业总产值与能源消耗量之间的线性相关性是否显著 资料;相关关系不等于因果关系； 相关系数只度量变量间的线性关系，因此，弱相关不一定表明变量间没有关系； 极端值可能影响相关系数。 注意相关关系成立的数据范围。 警惕虚假相关;第二节 等级相关与品质相关;等级相关;回归：退回regression;回归分析法产生的历史;父亲们的身高与儿子们的身高之间关系的研究;160;从图上虽可看出，个子高的父亲确有生出个子高的儿子的倾向，同样地，个子低的父亲确有生出个子低的儿子的倾向。得到的具体规律如下： 如此以来，高的伸进了天，低的缩入了地。他百思不得其解，同时又发现某人种的平均身高是相当稳定的。最后得到结论：儿子们的身高回复于全体男子的平均身高，即“回归”——见1889年F.Gallton的论文《普用回归定律》。 后人将此种方法普遍用于寻找变量之间的规律 ;第三节 简单线性回归模型; 自变量(independent variable):解释变量，给定的或可以控制的、用来解释、预测响应变量的变量。 因变量(dependent variable):响应变量，由自变量来解释其变化的变量。;;回归分析的分类;回归分析与相关分析;相关分析中x与y对等，回归分析中x与y要确定自变量和因变量； 相关分析中x、y均为???机变量，回归分析中只有y为随机变量； 相关分析测定相关程度和方向，回归分析用回归模型进行预测和控制。;简单线性回归模型;总体一元线性回归模型：;简单线性回归模型的假设;一元线性回归模型的假定;在实际应用中，我们对X和Y所代表的总体往往不可能全面的观察和了解，而只能从中抽取部分资料作为样本，并通过样本提供的信息来认识总体，找出总体回归模型的估计式，其估计式的方程式可写为:;一元线性回归方程的几何意义;总体一元线性 回归方程:;随机干扰：各种偶然因素、观察误差和其他被忽视因素的影响;残差(Residual):e;一元线性回归方程 中参数a、b的确定：;整理得到由两个关于a、b的二元一次方程组成的方程组：;学生;【分析】因为工业总产值与能源消耗量之间存在高度正相关关系（ ），所以可以拟合工业总产值对能源消耗量的线性回归方程。;即线性回归方程为：;最小二乘法估计的优良性质;b与r的关系：;回归模型的检验;;总偏差 = 回归偏差 + 剩余偏差;判定系数与相关系数的关系;学生;判定系数与相关系数的区别：;Lyy=U+Q;回归分析中我们最关心的是： X 与 Y 是否有真正的相关关系。即：;回归系数的检验;统计理论已经证明;学生;;;;检验统计量落入拒绝域中，故拒绝原假设，接受备择假设。即可以认为 b 明显地不等于零，X 与 Y 是显著的。; F检验是基于F分布进行的，是方差分析内容之一。;当 ?1 = 0 时，SSR= 0，则F值=0。 当 ?1 ? 0 时，SSR 0，则F值0。 当我们设?1 = 0 时，则较大的F值将推翻这一假设。; 估计的前提：回归方程经过检验，证明 X 和 Y 的关系在统计上是显著的。; 利用点估计得到的Y平均值的点估计值和Y的一个个别值其结果是相同的。 点估计不能提供估计量的精确度。 在样本自变量取值范围之外进行预测要特别谨慎。; 回归分析的区间估计：对于给定的 X 值，求出 Y 的平均值的置信区间或 Y 的一个个别值的预测区间。; Y 的平均值的置信区间估计;可以证明，?0 是服从正态分布的， 其数学期望： 其方差： 其标准差：;对于给定的 x = x0 ，Y 的1-?置信区间为：;学生;《统计学》第十章 相关与回归; Y 的个别值的置信区间估计;即：Y0的方差为：; 对于给定的