powerpoint(第十章：相关与回归分析)PPT.ppt

多元线性回归方程 （概念要点） 1、描述 y 的平均值或期望值如何依赖于 x1， x1 ，…，xp的方程称为多元线性回归方程 2、多元线性回归方程的形式为 E( y ) = ?0+ ?1 x1 + ?2 x2 +…+ ?p xp b1，b2，?，bp称为偏回归系数 bi 表示假定其他变量不变，当 xi 每变动一个单位时，y 的平均平均变动值 多元线性回归方方程的直观解释 二元线性回归模型 (观察到的y) 回归面 ?0 ?i x1 y x2 (x1,x2) } 多元线性回归的估计(经验)方程 1、总体回归参数 是未知的，利用样本数据去估计 2、用样本统计量 代替回归方程中的 未知参数 即得到估计的回归方程 估计值 是 y 的估计值 是 估计方程的求法（实例） 【例】根据例10.1中的数据，配合人均消费金额对人均国民收入的回归方程根据 和 的求解公式得 估计(经验)方程 人均消费金额对人均国民收入的回归方程为 y = 54.22286 + 0.52638 x 估计方程的求法（Excel的输出结果） 回归方程的显著性检验 离差平方和的分解 1、因变量 y 的取值是不同的，y 取值的这种波动称为变差。变差来源于两个方面 由于自变量 x 的取值不同造成的 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 2、对一个具体的观测值来说，变差的大小可以通过该实际观测值与其均值之差 来表示。 离差平方和的分解（图示） x y y { } } ? 离差分解图 离差平方和的分解 （三个平方和的关系） 1、从图上看有 2、两端平方后求和有 SST = SSR + SSE 总变差平方和 （SST） { 回归平方和 （SSR） { 残差平方和 （SSE） { 离差平方和的分解 （三个平方和的意义） 1、总平方和(SST) 反映因变量的 n 个观察值与其均值的总离差 2、回归平方和(SSR) 反映自变量 x 的变化对因变量 y 取值变化的影响，或者说，是由于 x 与 y 之间的线性关系引起的 y 的取值变化，也称为可解释的平方和 3、残差平方和(SSE) 反映除 x 以外的其他因素对 y 取值的影响，也称为不可解释的平方和或剩余平方和 样本决定系数 （判定系数 r2 ） 1、回归平方和占总离差平方和的比例 2、反映回归直线的拟合程度 3、取值范围在 [ 0 , 1 ] 之间 4、r2 ?1，说明回归方程拟合的越好；r2?0，说明回归方程拟合的越差 5、判定系数等于相关系数的平方，即r2＝(r)2 回归方程的显著性检验 （线性关系的检验 ） 1、检验自变量和因变量之间的线性关系是否显著 2、具体方法是将回归离差平方和(SSR)同剩余离差平方和(SSE)加以比较，应用F检验来分析二者之间的差别是否显著 如果是显著的，两个变量之间存在线性关系 如果不显著，两个变量之间不存在线性关系 回归方程的显著性检验 （检验的步骤） 1、提出假设 H0：线性关系不显著 2、计算检验统计量F 3、确定显著性水平?，并根据分子自由度1和分母自由度n-2找出临界值F ? 4、作出决策：若F?F ?,拒绝H0；若FF ?,接受H0 回归方程的显著性检验 （方差分析表） （续前例）Excel 输出的方差分析表 平方和 均方 估计标准误差 Sy 1、实际观察值与回归估计值离差平方和的均方根 2、反映实际观察值在回归直线周围的分散状况 3、从另一个角度说明了回归直线的拟合程度 4、计算公式为 注：上例的计算结果为14.949678 回归系数的显著性检验（要点） 1、检验 x 与 y 之间是否具有线性关系，或者说，检验自变量 x 对因变量 y 的影响是否显著 2、理论基础是回归系数 的抽样分布 3、在一元线性回归中，等价于回归方程的显著性检验 回归系数的显著性检验（样本统计量 的分布） 1、是根据最小二乘法求出的样本统计量，它有自己的分布 2、 的分布具有如下性质 分布形式：正态分布 数学期望： 标准差： 由于?无未知，需用其估计量Sy来代替得到 的估计的标准差 回归系数的显著性检验（样本统计量 的分布） 的抽样分布 回归系数的显著性检验 （步骤） 1、提出假设 H0