第四章 相关分析和回归分析PPT.ppt

k元线性回归模型为 由最小二乘法 …, 3、 最小二乘法确定回归模型 回归方程数据表 得回归方程为: （二）一元线性回归模型应用条件 自变量X与因变量Y，X与Y之间的线性相关关系用函数关系表达式一般可以表示为 德国数学家高斯提出了如下理论假设. 1. 零均值假设。又称为无偏性假设，在给定 的条件下, 的条件数学期望等于0.即 2 同方差假设。又称为等方差性假设。即对所有的 ， 的条件方差都相等，且为常数。即 3. 无自相关假设。又称为独立性假设。它假设随机误差项的逐次观察值互不相关，即 　　4. 与X不相关假设。回归模型中的随机误差项 与自变量 各自独立影响因变量Yi。即 5. 正态性假设。假设随机误差项 服从均值为零，方差为 的正态分布。即： 1、 线性关系检验 线性关系检验：是指检验自变量与因变量之间关系能否用一个线性模型来表示。 拟合优度检验—判定系数法 拟合优度检验就是检验回归模型拟和实际数据的拟和程度。 一元分析中Y值的变化可以看成是由两个原因的变化引起的，一个是由于自变量X变动引起的，二是由于其它因素变动引起的，如图。 （三）回归模型的检验 ①拟合优度? 概念： 样本回归线是对样本数据 的一种拟合，不同估计方 法可拟合出不同的回归线， 拟合的回归线与样本观测 值总有偏离。 样本回归线对样本观测数据拟合的优劣程度 ——拟合优度 拟合优度的度量建立在对总变差分解的基础上 ②总变差的分解 分析Y 的观测值、估计值与平均值的关系 将上式两边平方加总，可证得  （TSS） （ESS） （RSS） 总变差 （TSS）：因变量Y的观测值与其平均值的离差平方和（总平方和） 解释了的变差 （ESS）：因变量Y的估计值与其平均值的离差平方和（回归平方和） 剩余平方和 （RSS）：因变量观测值与估计值之差的平方和（未解释的平方和） 　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　 　　　　　　　　　　　　　　　　　 　　　　　　　　　　　　　　　　　　　　 变差分解的图示 ③可决系数 以TSS同除总变差等式两边： 或 定义：回归平方和（解释了的变差ESS） 在总变 差（TSS） 中所占的比重称为可决系数，用 表示: 或 简捷计算公式： 或 作用：可决系数越大，说明在总变差中由模型作出了解释的部分占的比重越大，模型拟合优度越好。反之可决系数小，说明模型对样本观测值的拟合程度越差。 特点：●可决系数取值范围： ●随抽样波动，样本可决系数 是随抽样 而变动的随机变量 ●可决系数是非负的统计 可决系数的作用和特点 可决系数与相关系数的关系 a联系 数值上，可决系数等于因变量与自变量之间简单相关系数的平方: 可决系数与相关系数的关系 可决系数 相关系数 就模型而言 就两