第3章回归预测法PPT.ppt

第三章 回归预测法 3.1 一元线性回归预测法 3.2 多元线性回归预测法 3.3 非线性回归预测法 3.4 应用回归预测时应注意的问题 一、建立模型 只涉及一个自变量，并且因变量 y 与自变量x 之 间为线性相关关系。 理论模型 经 济 含 义 自变量为零时因变量的平均水平 条件 均值 自变量变化一个单 位时，因变量平均 变化的绝对量。 3.1 一元线性回归预测法 估计模型： 随机误差 二、参数估计 理论依据：实际值与理论值的离差平方和为最小 最 小 二 乘 法 例：某企业对车间9名学徒工进行调查，得到学徒期限与每天产量情况如右表所示，要求建立以日产量为因变量的回归方程。 回归方程为：yc=0.83+87.5x 目的：模型精度检验； 统计量： 判别标准:回归标准差与Y均值之比低于1０% 三、模型检验（以一元线性为例） 1，回归标准差检验 目的：每个自变量x与y的线性相关性； 统计量： 判别标准:给定显著性水平 ，若 。 3，回归系数显著性检验 ： 假设： 其中： 则回归系数显著。 ， 目的：回归模型总体的线性相关性； 统计量： 判别标准:给定显著性水平 ，若 。 4，回归模型显著性检验 ： 假设： 则回归方程显著。 回归方程不显著； 回归方程显著； ~ 目的：回归余项相互独立； 统计量： 判别标准: dU DW 4-dU 5，序列相关性检验（D—W）： ?例 1 ：已知身高与体重的资料如下表所示： 身高（米） 1.55 1.60 1.65 1.67 1.7 1.75 1.80 1.82 体重（公斤） 50 52 57 56 60 65 62 70 要求： （1）拟合适当的回归方程； （2）判断拟合优度情况； （3）对模型进行显著性检验；（α=0.05） （4）当体重为75公斤时，求身高平均值的 95%的置信区间。 （1）n=8，经计算得： 解： 因此，建立一元线性回归方程为： （2）可决系数 （3）回归模型显著性检验： 拒绝原假设，认为所建线性回归模型是显著的。 （4）回归估计标准差检验： （5）预测 3.2 多元线性回归预测法 （一）、建立模型（以二元线性回归模型为例 ） （二）、参数估计：(最小平方法估计) （三）、模型检验 ： 1，回归估计标准差检验： 2. 多重决定系数检验（ ） 修正后决定系数： 3. F检验： 4. D.W检验（与一元模型同） 五、净回归系数的特点和性质 线性假设性：假设所有自变量都与因变量线 性相关 ； 2. 净回归系数的性质： 1．净回归系数的特点： b. 不等值性：数量和方向均不等值。 对任何一个特定的自变量而言，它的回归系数不仅测度了它与因变量间的相关关系，同时也包含了与它相关的自变量与自变量之间的相关关系，所以，在多元回归模型中，若自变量与自变量之间高度相关，则回归系数是不可靠的.　 六、虚拟变量在回归预测中的应用 （一）虚拟变量的概念 2，作用：消除偶然因素对预测值的影响。 1，虚拟变量 当回归模型中的自变量为品质变量，且能用0、1符号进行描述时，这些品质变量即为虚拟变量。 3，描述方法：正常情况的虚拟变量值取1，非正常情况时取0。 （二）两类别品质变量中虚拟变量技术的运用 例：某航空公司欲研究某一旅游航线营业收入与乘客收入间的关系，并假设该航线有六个月是“高峰期”，六个月为“非高峰期”，有关资料如下，试用虚似变量回归模型对该公司营运收进行预测。 某航空公司营业收回归分析资料 乘客年平均收入 （千美元） 虚拟变量 取值 月份 营运收入 （Y：千美元） 是否高峰月 1 4480 45 高峰 1 2 4620 37 高峰 1 3 4550 49 高峰 1 4 4700 52 高峰 1 5 3200 32 非高峰 0 6 3360 35 非高峰 0 7 3450 30 非高峰 0 8 3400 28.5 非高峰 0 9 3850 26 非高峰 0 10 3940 34.5 非高峰 0 11 4010 41.5 高峰 1 12 3700 33.5 高峰 1 建立二元线性回归方程： +4.84 2.虚拟变量回归系数的经济含义： 以虚拟变量取值等于零为比较基础超额增长量 Y=26.54+0.2804x