相关分析和一元线性回归PPT.ppt

* * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * 参数的最小二乘估计 ( 和 的计算公式) ? 根据最小二乘法，可得求解 和 的公式如下 8.2.3 回归直线的拟合优度 8.2 一元线性回归的估计和检验 * 变差 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 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 * 误差分解图 x y y ? * 误差平方和的分解 (误差平方和的关系) SST = SSR + SSE 总平方和 (SST) { 回归平方和 (SSR) 残差平方和 (SSE) { { * 误差平方和的分解 (三个平方和的意义) 总平方和(SST—total sum of squares) 反映因变量的 n 个观察值与其均值的总误差 回归平方和(SSR—sum of squares of regression) 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 残差平方和(SSE—sum of squares of error) 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 * 判定系数R2  (coefficient of determination) 回归平方和占总误差平方和的比例 反映回归直线的拟合程度 取值范围在 [ 0 , 1 ] 之间 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 决定系数平方根等于相关系数 * 估计标准误差(standard error of estimate) 实际观察值与回归估计值误差平方和的均方根 反映实际观察值在回归直线周围的分散状况 对误差项?的标准差?的估计，是在排除了x对y的线性影响后，y随机波动大小的一个估计量 反映用估计的回归方程预测y时预测误差的大小 计算公式为 8.2.4 显著性检验 8.2 一元线性回归的估计和检验 * 线性关系的检验 检验自变量与因变量之间的线性关系是否显著 将回归均方(MSR)同残差均方(MSE)加以比较，应用F检验来分析二者之间的差别是否显著 回归均方：回归平方和SSR除以相应的自由度(自变量的个数k) 残差均方：残差平方和SSE除以相应的自由度(n-k-1) * 线性关系的检验 (检验的步骤) 提出假设 H0：?1=0 线性关系不显著 2. 计算检验统计量F 确定显著性水平?，并根据分子自由度1和分母自由度n-2求统计量的P值 作出决策：若P?，拒绝H0。表明两个变量之间的线性关系显著 * 回归系数的检验和推断 在一元线性回归中，等价于线性关系的显著性检验 采用t检验 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 理论基础是回归系数 的抽样分布 * 回归系数的检验和推断 (检验步骤) 提出假设 H0: b1 = 0 (没有线性关系) H1: b1 ? 0 (有线性关系) 计算检验的统计量 确定显著性水平?，计算出统计量的P值，并做出决策 P?，拒绝H0，表明自变量是影响因变量的一个显著因素 * 回归系数的检验和推断 (b1和b0的置信区间) b1在1- ?置信水平下的置信区间为 b0在1- ?置信水平下的置信区间为 8.3 利用回归方程进行预测 8.3.1 平均值的置信区间 8.3.2 个别值的预测区间 第 8 章 相关分析和线性回归 * 区间估计 对于自变量 x 的一个给定值 x0，根据回归方程得到因变量 y 的一个估计区间 区间估计有两种类型 置信区间估计(confidence interval estimate) 预测区间估计(prediction interval estimate) 8.3.1 平均值的置信区间 8.3 利用回归方程进行预测 * 平均值的置信区间 利用估计的回归方程，对于自变量 x 的一个给定值 x0 ，求出因变量 y 的平均值的估计区间 ，这一估计区间称为置信区间(confidence interval) E(y0) 在1-?置信水平下的置信区间为 式中：se为估计标准误差 * 个别值的预测区间 利用估计的回归方程，对于自变量 x 的一个给定值 x0 ，求出因变量 y 的一个个别值的估计区间，