第五章 双变量回归：区间估计与假设检验PPT.ppt

习惯性说法 一个统计量是统计显著的 这个统计量的值落在拒绝域上 拒绝零假设H0 对?2显著性的?2检验 ?2显著性的?2检验：图示 1- ? ?/2 ?/2 在接受域吗？ Yes，接受H0；no，则拒绝H0。 §2 假设检验:一些实际操作问题 一、“接受”或“拒绝”假设的含义 在显著性检验中，如果我们决定“接受”虚拟假设，只是说根据样本证据，我们没有理由去拒绝它；而不是说虚拟假设毫无疑问是真的。 正如一个法庭宣告某一判决为“无罪（not guilty)”而不为“清白”，统计检验的结论也应该为“不拒绝”而不为“接受”。 二、“零”虚拟假设与“2倍t”经验法则 如果自由度≥20且显著性水平定为0.05时，那么，根据下式所得t值在绝对值上超过2时，就可以拒绝虚拟假设 三、建立虚拟与对立假设 一般是将不愿意出现的结果设置为虚拟假设，而将愿意看到的结果设置为对立假设。 四、选择显著性水平 显著性水平 是指拒绝真实的虚拟假设达到的概率，也叫犯第Ⅰ类错误的概率； 如果虚拟假设是错误的，没有拒绝反而接受了，则称犯了第Ⅱ类错误。 对于给定的样本大小，如果我们要减少第Ⅰ类错误，第Ⅱ类错误就要增加，反之亦然。 因犯第Ⅰ类错误的代价（拒绝真实的虚拟假设，弃真）大于犯第Ⅱ类错误的代价（没有拒绝错误的虚拟假设，纳伪），那么尽可能将 设置小一些是合理的。 五、精确的显著性水平：p值 直接计算p值方法 其中，t为检验统计量，是随机变量， t服从自由度为n-2的t分布。 t*值是t统计量的样本值 可以看出，P值越小，|t*|越大；P值越大，|t*|越小。 当P值≤α时， ， 此时应拒绝虚拟假设 。 当P值α时， ，此时无法拒绝虚拟假设 。 因而可以用P值代替t值作判定 。 用P值代替t值作判定有几方面的优越性： 用P值作检验不需要查表，只需直接用P值与显著性水平α相比，当P值≤α时即拒绝虚拟假设； 当P值α时即不拒绝虚拟假设，而用t值作检验，需要查t分布表求临界值。 用P值作检验可以准确地知道检验的显著性，实际上P值就是犯弃真错误的真实概率，也就是检验的真实显著性。 用P值作检验的缺点是难以手工计算，但计算机软件可以方便地算出P值。 消费－收入例子 0 5.85 |t| 5.86的概率＝0.012；即， |t|取此区域的概率为1.2%；此概率如此小，因此拒绝原假设。 §3 回归分析与方差分析 F检验（总体显著性水平） 一、方差分析（ANOVA） 方差分析ANOVA：Analysis of Variance TSS有n－1个自由度，RSS有n－2个自由度（对有截距项的一元回归模型），ESS有1个自由度（对于一元回归模型）。 对TSS的这些构成部分进行研究就叫做从回归的观点做方差分析。 方差分析（ANOVA） 双变量回归模型的ANOVA 变异来源 SS(平方和) df MSS(均方和) 由于回归 1 由于剩余 n-2 TSS n-1 方差分析ANOVA：Analysis of Variance 二、F统计量 例子 消费-收入的ANOVA表 变异来源 SS df MSS 由于回归 8552.7 1 8552.7 由于剩余 337.3 8 42.2 TSS 8890.0 9 F= 8552.7/ 42.2=202.87 P{F202.87}=0.000 §3 回归分析的应用:预测 第五章 双变量回归:区间估计与假设检验 §1 置信区间与假设检验 真实值存在、未知 样本估计值 置信上限 置信下限 置信区间 基本概念： 置信系数(Confidence coefficient): 1-?称为置信系数。 显著性水平(Level of significance)： ?(0?1)。 置信限(Confidence limit):置信区间的端点。 置信下限(Lower Confidence limit)： 置信上限(upper Confidence limit)： 注： 是随机区间。只要 尚不知道，区间 就是随机的（ 为估计量时），一旦有了一个特定的样本并获得了的一个特定的数值（ 为估计值时），区间不再是随机的，而是固定的了。 二、回归系数?0和?1的置信区间 注：t = 估计量-参数 估计量的标准误的估计值 Estimated standard error 即： 是估计量 的标准差 的估计值 置信区间的宽度与估计量的标准误成正比，因此，估计量的标准误常被喻为估计量的精度。 消费－收入的例子： 三、σ2的置信区间 σ2的置信区间 1- ? ?/2 ?/2