第7章 相关与回归分析1PPT.ppt

第七章 相关与回归分析;第一节相关分析;变量间的关系（函数关系）;变量间的关系（函数关系）;变量间的关系（相关关系）;一、相关的概念;二、相关关系的类型;相关关系的图示;三、相关系数的测定;;简单计算公式;相关系数取值及其意义;;四、相关的密切程度;五、相关系数的计算;第二节一元线性回归模型;一、什么是回归分析;回归一词的来历 回归这个术语是由英国著名统计学家Francis Galton在19世纪末期研究孩子及他们的父母的身高时提出来的。Galton发现身材高的父母，他们的孩子也高。但这些孩子平均起来并不像他们的父母那样高。对于比较矮的父母情形也类似：他们的孩子比较矮，但这些孩子的平均身高要比他们的父母的平均身高高。 Galton把这种孩子的身高向中间值靠近的趋势称之为一种回归效应，而他发展的研究两个数值变量之间关系的方法称为回归分析。; 在同族中抽取n对父-子的身高, 即有n对数据: (X1,Y1), (X2,Y2), … , (Xn,Yn). Yk ? a + bXk , 1?k?n. Yk = a + bXk + ek , 1?k?n ?--男人平均身高. 由上式得 Yk -? = a + bXk + ek -? = a +(b-1)? + b(Xk -?)+ ek =c+ b(Xk -?)+ ek (注意?=(1-b)?+b? ,c= a +(b-1)? ,0b1); 平均说来, 当父亲身高超过平均身高时,其子身高也会超过平均身高,但是比父亲身高更靠近平均身高. 有回归平均身高的趋向! ; 家庭对某种商品的需求量与该商品价格之间的调查数据：;;;; 变量Y与X之间的关系可表示成 其中，ε是一个误差项，它包含 1.模型中省略的变量 2.一些随机因素 3.测量（观测）误差 4.数学模型设定形式的误差; 二、一元线性回归模型的建立 一元线性回归模型 其中， 称为回归常数； 称为回归系数； 是随机误差项。; 将n组样本（X1，Y1），…，（Xn，Yn）代入（1）得： ; （1）称为总体回归模型，（2）称为样本回归模型。（1）式两边求数学期望： 记： 则（3）称为Y对X的回归函数或回归方程（回归直线）。 ;第三节回归方程系数的最小二乘估计; 用样本数据估计系数 、 ， 原则是使回归直线 很好的拟合样本数据，即使误差平方和 达最小。 ;最小二乘法（图示）; 由二元函数极值理论， 、 应满足：; 经整理后的正规方程：; 求解正规方程得：; 记：;或者公式：; 为了表明 、 是用样本求得的最小二乘估计，我们用 、 来表示，即由估计可得样本回归方程： ; 特别当X等于时间t时，线性方程可作为Y 随时间变化的趋势模型。当时间是奇数个时变换成…-2,-1,0,1,2…,当时间是偶数个时变换成…-3,-1,1,3…,;第四节线性关系的显著性检验; 一、样本决定系数 总离差平方和分解 总离差平方和＝残差平方和＋回归平方和; 回归平方和表示回归关系引起的Yi的波动 残差平方和表示由随机变量影响引起的Yi的波动。; 样本决定系数 表示回归平方和占总离差平方和的比重，即表示在Yi的总波动中，由回归关系解释的波动的比重 。 ， 越大，表明Y与X的线性回归关系越明显。所以 是检验线性关系显著性的一个标准。 ; 称为Y与X的样本相关系数，也可 用 检验Y与X的线性关系的显著性。; 对于 ，计算 ，并根据样本n，查 。 若 ，则认为线性关系显著；否则，不显著。; 二、F－检验