2.4 元线性回归.ppt

§2.4 一元线性回归模型的统计检验 预备知识：自由度的概念 一、拟合优度检验 二、变量的显著性检验 三、参数的置信区间  例如，测量学生的身高X，如某班有40名学生，则X可以得到 40个值，自由度为40；但是如已知平均身高，那么得到39名的身高后，最后一名的身高就确定了，自由度减少一个，为40-1=39。 其公式为：自由度＝变量个数－方程个数 残差平方和的自由度：n－k－1 一、拟合优度检验 拟合优度检验：对样本回归直线与样本观测值之间拟合程度的检验。 度量拟合优度的指标：判定系数（可决系数）R2 二、变量的显著性检验 回归分析是要判断解释变量X是否是被解释变量Y的一个显著性的影响因素。 在一元线性模型中，就是要判断X是否对Y具有显著的线性性影响。这就需要进行变量的显著性检验。 1、假设检验 所谓假设检验，就是事先对总体参数或总体分布形式作出一个假设，然后利用样本信息来判断原假设是否合理，即判断样本信息与原假设是否有显著差异，从而决定是否接受或否定原假设。 假设检验采用的逻辑推理方法是反证法。 先假定原假设正确，然后根据样本信息，观察由此假设而导致的结果是否合理，从而判断是否接受原假设。 判断结果合理与否，是基于“小概率事件不易发生”这一原理的 用 P 值判断参数的显著性 假设检验的 p 值： p 值是根据既定的样本数据所计算的统计量， 拒绝原假设的最小显著性水平。 统计分析软件中通常都给出了检验的 p 值。 §2.5 一元线性回归分析的应用：预测问题 一、?0是条件均值E(Y|X=X0)或个值Y0的一个无偏估计 二、总体条件均值与个值预测值的置信区间 §2.6 实例及时间序列问题 一、中国城镇居民人均消费支出模型：截面数据模型 二、中国居民总量消费函数：时间序列模型 三、时间序列问题 三、时间序列问题 上述实例表明，时间序列完全可以进行类似于截面数据的回归分析。 然而，在时间序列回归分析中，有两个需注意的问题： 第一，关于抽样分布的理解问题。 能把表2.6.1中的数据理解为是从某个总体中抽出的一个样本吗？ 因此 故 其中 于是，在1-?的置信度下，总体均值E(Y|X0)的置信区间为 2、总体个值预测值的预测区间 由 Y0=?0+?1X0+? 知: 于是 式中 : 从而在1-?的置信度下， Y0的置信区间为 在上述收入-消费支出例中，得到的样本回归函数为 则在 X0=1000处， ?0 = –103.172+0.777×1000=673.84 而 因此，总体均值E(Y|X=1000)的95%的置信区间为： 673.84-2.306?61.05 E(Y|X=1000) 673.84+2.306?61.05 或 （533.05, 814.62） 同样地，对于Y在X=1000的个体值，其95%的置信区间为： 673.84 - 2.306?61.05Yx=1000 673.84 + 2.306?61.05 或 (372.03, 975.65) 总体回归函数的置信带（域）（confidence band） 个体的置信带（域） 对于Y的总体均值E(Y|X)与个体值的预测区间（置信区间）: （1）样本容量n越大，预测精度越高，反之预测精度越低； （2）样本容量一定时，置信带的宽度当在X均值处最小，其附近进行预测（插值预测）精度越大；X越远离其均值，置信带越宽，预测可信度下降。 * 受限制的个数 df＝多少？并说明 df＝多少？并说明 自由度：表示方程中能够自由变动的变量个数 例： 将p31页公式（2.2.3）;p59公式(3.2.3)可以转化为下面形式 方程个数k＋1 注意：凡是涉及到残差构成的统计量，自由度就会减少k+1个，例如显著性检验中的t检验和f检验的自由度等。 回归分析是要通过样本所估计的参数来代替总体的真实参数，或者说是用样本回归线代替总体回归线。 尽管从统计性质上已知，如果有足够多的重复抽样，参数的估计值的期望（均值）就等于其总体的参数真值，但在一次抽样中，估计值不一定就等于该真值。那么，在一次抽样中，参数的估计值与真值的差异有多大，是否显著，这就需要进一步进行统计检验。 主要包括拟合优度检验、变量的显著性检验及参数的区间估计。 问题：采用普通最小二乘估计方法，已经保证了模型最好地拟合了样本