简单回归分析-沈晓丽.pptVIP

* * 因变量 y 的取值是不同的，y 取值的这种波动称为变异。变异来源：1.因自变量 x 的取值不同造成的；2.除 x 以外的其他因素(如x对y的非线性影响、测量误差等)的影响。 对一个具体的观测值来说，变异的大小可以通过该实际观测值与其均值之差 来表示 回归系数和常数项的假设检验： 1.参数β的意义：若自变量X增加1个单位，反应变量Y的平均值便增加β个单位。 2.β=0，说明Y与X之间并不存在线性关系； β≠0，说明Y与X之间存在线性关系。 理由：从β=0的总体抽得样本，计算出的回归系数b很可能不为零。 方法：回归系数的假设检验可通过t检验实现。 * 种错误的理解认为，回归系数越大，则X对Y的影响越大。回归系数大小与X与Y两个变量的单位或大小有关，回归系数大只能说明Y随X变化的速度快，并不完全表明影响大。为表明这种影响的大小，引入决定系数 * * * * * * 问：所求得的回归方程在总体中是否成立？ 查F界值表（P572），确定单侧临界值Fa(v回归, v残差)， 求概率值 P，下结论 均方：MS=SS/v 回归均方：MS回归=SS回归/v回归 残差均方： MS残差=SS残差/v残差 检验统计量： 1. 建立假设，确定检验水准 H0 ：总体回归方程不成立， 即总体中自变量X对因变量Y没有贡献； H1 ：总体回归方程成立， 即总体中自变量X对因变量Y有贡献。 ?=0.05 （单侧） 查F 界值表（P468）：a =0.05，v回归=1、 v残差=n-2=12 得：F(k-1, n-k)= F(1，12) =4.75 3. 确定P值，作出推断结论： 由于F=158.36＞4.75，则P＜0.05，故拒绝H0，接受H1，可认为体重与基础代谢之间有线性回归关系。 2. 计算检验统计量F值： 2）回归系数的假设检验— t 检验 β=0，说明Y与X之间并不存在线性关系 β≠0，说明Y与X之间存在线性关系 由总体回归方程μ Y∣X= α+ ? x 当?=0时， μ Y∣X= α 即：对于X 的任何值，总体均数 μ Y∣X 没有任何改变，故建立Y与Ｘ的直线回归方程就没有任何意义了 故?是否为0，涉及到所建立的回归方程是否有意义的问题。然而从β=0的总体抽得样本，计算出的回归系数b很可能不为零，需要对?是否等于0进行假设检验—t检验 t 检验： 检验过程： 注意： 1.在简单线性回归模型中，对回归模型的方差分析等价于对回归系数的t 检验，即有： 2.对于服从双变量正态分布的同样一组资料，同时作相关分析和回归分析，则相关系数的 t检验与回归系数的t 检验等价，即有： 3）总体回归系数β的区间估计： 已知b为回归系数的样本估计值，Sb为样本回归系数的标准误， 则总体回归系数β的双侧1-α置信区间为： 上例题中b=61.4229，Sb=4.8810，v=12,查t 界值表得：t0.05/2,12=2.179；则其总体回归系数β的双侧95置信区间为： b ± tα/2,v Sb 61.4229 ±2.179 ×4.881=(50.787,72.059) 4）回归方程的解释： ——体重对基础代谢的影响有多大？ 决定系数：回归平方和与总平方和之比。 0≤R2≤1 反映了自变量X对回归效果的贡献，即Y的总变异中回归关系所能解释的百分比（variance account formula,VAF）； 反映了回归模型的拟合效果，可作为反应拟合优度（goodness of fit）的指标。 上例题：SS总=4645447.0121， SS回归=4318227.7159 R2= SS回归/ SS总=0.964=96.4% 解释： 说明基础代谢总变异的96.4%与体重有关。 1.5 回归方程的统计应用： 定量描述两变量之间的依存关系。 利用回归方程进行统计预测。 利用回归方程进行统计控制。 1) 统计预测：将X值作预报因子，固定总体中X为某定值Xi时， 估计个体Y值的容许区间，即Y值的波动范围。 例：第一观测点数据（X1=50.7）为例，预测第一数据点Y值的95%预测区间 答： 已知回归方程 故基础代谢的95%容许区间为: 均数置信区间：当X值为某定值，并给定置信度1-α ，考察Y的总体均数的分布时，可估计Y的总体均数μ Y∣X的1-α置信区间。 答： 已知回归方程 故基础代谢的95%容许区间为: 例：第一观测点数据（X1=50.7）为例，预测Y的总体均数值的95%预测区间。