贵州财经学院讲义.pptVIP

　第一节 相关与回归分析的基本概念  一、函数关系与相关关系 二、相关关系的种类 三、相关关系的概念 四、相关系数 函数关系与相关关系 函数关系 ： 1、是一一对应的确定关系 2、设有两个变量 x 和 y ，变量 y 随变量 x 一起变化，并完全依赖于 x ，当变量 x 取某个数值时， y 依确定的关系取相应的值，则称 y 是 x 的函数，记为 y = f (x)，其中 x 称为自变量，y 称为因变量 3、各观测点落在一条线上 某种商品的销售额(y)与销售量(x)之间的关系可表示为 y = p x (p 为单价) 圆的面积(S)与半径之间的关系可表示为S = ? R2 相关关系 1、变量间关系不能用函数关系精确表达 2、一个变量的取值不能由另一个变量唯一确定 3、当变量 x 取某个值时，变量 y 的取值可能有几个 4、各观测点分布在直线周围 商品的消费量(y)与居民收入(x)之间的关系 商品销售额(y)与广告费支出(x)之间的关系 粮食亩产量(y)与施肥量(x1) 、降雨量(x2) 、温度(x3)之间的关系 收入水平(y)与受教育程度(x)之间的关系 父亲身高(y)与子女身高(x)之间的关系 函数关系与相关关系既有联系，又有区别 联系：在一定条件下是可以相互转化的 区别: 分析方法不同 。 相关分析概念 相关系数 概念 第二节 简单线性相关与回归分析 一、回归分析的概念及与相关分析的关系（联系与区别） 二、一元线性回归模型 三、参数的最小二乘估计 四、回归方程的显著性检验 五、预测及应用 父亲们的身高与儿子们的身高之间关系的研究 1889年F.Gallton和他的朋友K.Pearson收集了上千个家庭的身高、臂长和腿长的记录 企图寻找出儿子们身高与父亲们身高之间关系的具体表现形式 下图是根据1078个家庭的调查所作的散点图（略图） 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 1、相关分析是回归分析的基础和前提。只有在相关分析确定了变量之间存在一定相关关系的基础上建立的回归方程才有意义。 2、回归分析是相关分析的继续和深化。只有建立了回归方程才能表明变量之间的依赖关系，并进一步进行预测。 回归模型的类型 1、回答“变量之间是什么样的关系？” 2、方程中运用 1 个数字的因变量(被解釋变量) 被预测的变量 1 个或多个数字的或分类的自变量 (解释变量) 用于预测的变量 3、主要用于预测和估计 反映自变量和因变量之间数学联系的表达式。 即描述 y 的平均值或期望值如何依赖于 x 的方程称为回归方程。 简单线性回归方程的形式如下： 　　 E( y ) = ?1+ ?2 x 描述因变量 y 如何依赖于自变量 x和误差项u 的方程称为回归模型,即某一类回归方程的总称。 对于只涉及一个自变量的简单线性回归模型可表示为：y = b1 + b2x + u模型中，y 是 x 的线性函数(部分)加上误差项u 线性部分反映了由于 x 的变化而引起的 y 的变化 误差项 u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 ?1和 ?2 称为模型的参数 误差项u是一个期望值为0的随机变量，即E(u)=0。对于一个给定的 x 值，y 的期望值为E ( y ) =? 1+ ? 2 x 对于所有的 x 值,u的方差σ2 都相同 误差项u是一个服从正态分布的随机变量，且相互独立。 独立性意味着对于一个特定的 x 值，它所对应的u与其他 x 值所对应的u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 [图示] 根据最小二乘法的要求，可得求解 和 的标准方程如下： 从图上看有： 0 -10 -7 -9 -2 5 3 -5 4 13 8 95546 7426 8000 7776 9020 10292 10080 8840 10492 12180 11440 - 47.29 49.45 51.61 53.76 55.92 58.08 60.24 62.39 64.55 66.71 估计值 1670 158 160 162 164 166 168 170 172 174 176 身高 0 33032 279220 570 -9.7