第8章 相关和回归分析PPT.ppt

解：（1）绘制散点图 （2）建立一元回归方程 由题意： 样本回归方程式为： 上式中：0.7295是边际消费倾向，表示人均可支配收入每增加1元，人均消费收入会增加0.7295元，295元是基本消费水平，即与收入无关最基本的人均消费为295元。 返回 简单线性回归模型的检验 回归模型的检验包括： 理论意义检验：主要涉及参数估计值的符号和取值区间，检验它们与实质性科学的理论以及人们的实践经验是否相符。 一级检验：又称统计学检验，利用统计学的抽样理论来检验样本回归方程的可靠性，具有分为拟合优度检验和显著性检验。 二级检验：又称计量经济学检验，它是对标准线性回归模型的假设条件是否满足进行检验，包括自相关检验、异方差检验、多重共线性检验等。 返回 拟合优度的度量 基本思想：样本回归直线是对样本数据的一种拟合，不同估计方法可拟合出不同的回归线。样本回归拟合优度的度量建立在对因变量总离差平方和分解的基础上 总离差平方和 回归平方和 残差平方和 可决系数（判定系数）定义： 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。 （一）变差 （二）离差平方和的分解（图示） X Y Y { } } ? 离差分解图 （三）离差平方和的分解 （三个平方和的关系） 2. 两端平方后求和有 1. 从图上看有 TSS = ESS + RSS 总离差平方和 （TSS） { 回归平方和 （ESS） { { 残差平方和 （RSS） （四）离差平方和的分解（三个平方和的意义） 总平方和（Total Sum of Squares），或TSS，用LYY表示。 反映因变量的 n个观察值与其均值的总离差 回归平方和（Explained Sum of Squares），或 ESS，用U 表示 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（Residual Sum of Squares），或RSS，用Q表 示 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。 （五）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： 是对回归模型拟合程度的综合度量； 取值范围在 [0 , 1] 之间； r2 ?1，表明回归平方和占总平方和的比例越大，回归直线离各观测点越近，用X的变化解释Y值离差的那部分越多，回归方程拟合程度越高；r2?0，说明回归方程拟合程度越差。 判定系数等于相关系数的平方，即r2＝(r)2 （六）估计标准误差(standard error of estimate) 实际观察值与回归估计值残差平方和的均方根 反映实际观察值在回归直线周围的分散状况 对误差项ε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 返回 显著性检验 线性关系的F检验 回归系数的t检验 返回 检验自变量与因变量之间的线性关系是否显著 将回归均方同残差均方加以比较，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ESS除以相应的自由度（自变量的个数k） 残差均方：残差平方和RSS除以相应的自由度(n-k-1) （一）线性关系的F检验 ③给定显著性水平，查自由度分别为1和n-2的 F分布表，得到临界值 ①对总体参数提出假设 ②对原假设构造 统计量 ④判断 另一常用变形公式： 返回 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 （二）回归系数的t检验 样本统计量 的分布 是根据最小二乘法求出的样本统计量，它有自己的分布 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? 未知，需用其估计量Se来代替得到 的估计的标准差 ③给定显著性水平，查自由度为 n-2 的t分布表，得到临界值 ①对总体参数提出假设 ②对原假设构造统计量 ④判断 返回 根据自变量X的取值预测因变量Y的取值 预测的类型 点预测 Y 的个别值的点预测 Y 的平均值的点预测 区间预测 Y的个别值的置信区间预测 Y 的平均值的置信区间预测 简单线性回归模型预测 点预测 对于自变量X的一个给定值Xf，根据样本回归模型得到的点预测值 是因变量Yf和总体均值E(Yf)的无偏估计值 返回