第8章 相关与回归分析(讲义)PPT.ppt

Excel输出的部分回归结果 五、简单线性回归模型预测 利用回归方程进行估计和预测 点估计不能给出估计的精度，点估计值与实际值之间是有误差的，因此需要进行区间估计 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 预测区间估计 置信区间、预测区间、回归方程 xp y x ?x 预测上限 置信上限 预测下限 置信下限 简单线性回归模型预测 对平均值的点预测值 ： Y的个别值置信度为1－α的预测区间： 二、总体回归函数与样本回归函数 若干基本概念 ● Y的条件分布: Y在X取某固定值条件下的分布。 ●对于X的每一个取值，都有Y的条件期望与之对应，在坐标图上 Y的条件期望的点随X而变化的轨迹所形成的直线或曲线，称为回归线。 ●如果把Y的条件期望 表示为X的某种函数： , 这个函数称为回归函数。 ●如果其函数形式是只有一个自变量的线性函数,如 , 称为简单线性回归函数。 总体回归（PRF） 概念：将总体因变量Y的条件均值表现为自变量X的某种函数，这个函数称为总体回归函数（简记为PRF）。 表现形式： （1）条件均值表现形式 （2）个别值表现形式（随机设定形式） 样本回归函数（SRF） 概念： ●Y的样本观测值的条件均值随自变量X而变动的轨迹，称为样本回归线。 ●如果把因变量Y的样本条件均值表示为自变量X的某种函数，这个函数称为样本回归函数 （简记为SRF）。 表现形式：线性样本回归函数可表示为 或者 样本回归函数与总体回归函数的关系 ——相互联系 ● 样本回归函数的函数形式应与设定的总体回归函数的函数形式一致 。 ● 和 是对总体回归函数参数的估计。 ● 是对总体条件期望 的估计 ● 残差 e 在概念上类似总体回归函数中的随机 误差u。 回归分析的目的： 用样本回归函数去估计总体回归函数。 样本回归函数与总体回归函数的关系  ——相互区别 ●总体回归函数虽然未知，但它是确定的； 样本回归线随抽样波动而变化，可以有许多条。 ●样本回归线还不是总体回归线，至多只是未知总体 回归线的近似表现。 ●总体回归函数的参数虽未知，但是确定的常数； 样本回归函数的参数可估计，但是随抽样而变化的随机变量。 ●总体回归函数中的 是不可直接观测的； 而样本回归函数中的 是只要估计出样本回归的参数就可以计算的数值。 三、回归系数的估计 回归系数估计的思想： 为什么只能对未知参数作估计? 参数是未知的、不可直接观测的、不能精确计算的 能够得到的只是变量的样本观测值 结论:只能通过变量样本观测值选择适当方法去近似 地估计回归系数。 前提: u是随机变量其分布性质不确定，必须作某些 假定，其估计才有良好性质，其检验才可进行。 原则: 使参数估计值“尽可能地接近”总体参数真实值 简单线性回归的基本假定 假定1：零均值假定。 假定2：同方差假定。 假定3：无自相关假定。 假定4：随机扰动 与自变量 不相关。 假定5：正态性假定 简单（一元）线性回归模型 1、模型中，y 是 x 的线性函数(部分)加上误差项,线性部分反映了由于 x 的变化而引起的 y 的变化 2、误差项 μ 是随机变量,反映了除 x 和 y 之间的线性关系之外的随机因素对 y 的影响,是不能由 x 和 y 之间的线性关系所解释的变异性 称为模型的参数 估计的回归方程 总体回归参数 是未知的，必须利用样本数据去估计 用样本统计量代替回归方程中的未知参数，就得到了估计的回归方程 是估计的回归直线在 y 轴上的截距， 是直线的斜率，它表示 x 每变动一个单位时， y 的平均变动值 回归系数的最小二乘估计 基本思想： 希望所估计的 偏离实际观测值 的残差 越小越好。可以取残差平方和 作为衡量