统计PPT相关的关系分析xcv.doc

目 录 第九章 相关与回归分析 2 第一节 相关分析 3 一、相关关系的概念及分类 3 二、相关关系的识别 4 第二节 一元线性回归分析 11 一、一元线性回归 11 二、参数的最小二乘估计 12 三、对一元回归方程的评价 14 四、一元回归方程的预测区间 19 第三节 多元线性回归分析 21 一、多元线性回归模型 21 二、多元回归模型的参数估计 23 三、对多元线性回归方程的评价 23 第四节 非线性回归模型 26 一、直接代换法 26 二、间接代换法 27 英文摘要与关键词 29 习 题 29 第九章 相关与回归分析 通过本章的学习，我们应该知道： 如何判别相关关系 回归分析的基本假定 一元线性回归分析的内容 如何做多元线性回归分析 如何将非线性回归模型转换成线性模型 相关与回归分析是现代统计学中非常重要的内容，它在自然科学、管理科学和社会经济领域有着十分广泛的应用。本章从介绍相关分析与回归分析的基本概念与分类入手，以一元线性回归模型为基础，引出包括多元线性回归分析及非线性回归分析中模型识别、参数估计、模型检验与预测等内容。 在分析变量之间关系的时，常用的基本模型有两个，一是相关模型(correlation model)，一是回归模型(regression model)。实践中到底使用哪种模型取决于研究者的研究目的和数据的收集方式和条件。在相关分析中，变量和都被视为随机变量，服从二元分布；而回归分析中，变量不是随机变量，它被假定为一般变量，在事先选好的已知值中取值，变量是随机变量，在变量的给定取值处有相应的观测值。例如，考虑太阳镜的日销售数量与日最高气温之间的关系问题。如果我们随机地选择36天，记录下这36天的太阳镜销售量和日最高气温，，它们是来自二维总体(随机变量)的独立同分布样本；在这种情况下，应用相关模型进行分析。另一情况是，假如研究者决定只在日最高气温25、30、33、35、36、37、38、39、40℃的那些天收集数据，在日最高气温为上述事先设定的温度的那些天中随机地抽取36天，然后测量记录下相应的太阳镜日销售量，如在每一个日最高气温取值处，随机抽取4天进行测量记录；此时变量就不再是随机变量，变量是随机变量，往往应用回归模型进行分析。有时这种区别并不是这么明显。 第一节 相关分析 一、相关关系的概念及分类 （一）相关关系的概念 无论是在自然界还是社会经济领域，一种现象与另一种现象之间往往存在着依存关系，当我们用变量来反映这些现象的特征时，便表现为变量之间的依存关系。如某种商品的销售额（y）与销售量（x）之间的关系、商品销售额（y）与广告费支出（x）之间的关系以及粮食亩产量（y）与施肥量（）、降雨量（） 、温度（）之间的关系等。统计学的主要研究对象是随机变量，在多个变量的时候，至少有一个变量是随机变量，因此我们对变量之间关系的分析是随机变量之间的关系或随机变量与确定变量之间的关系。 变量之间的依存关系可以分为两种：一是函数关系，指变量之间保持的严格的、确定的关系。如圆的面积(S)与半径之间的关系可表示为S = ( ，当圆的半径R的值取定后，其圆的面积也随之确定。二是相关关系，指变量之间保持着不确定的依存关系。即变量间关系不能用函数关系精确表达，一个变量的取值不能由另一个变量唯一确定，当变量x取某个值时，变量y的取值可能有几个或无穷多个。例如人的身高与体重这两个变量，一般而言是相互依存的，但它们并不表现为确定的函数的关系。因为制约这两个变量的还有其他因素，如遗传因素、营养状况和运动水平等，以至于同一身高的人可以有不同的体重，同一体重的人又表现出不同身高。变量间的这种不严格的依存关系就构成了相关与回归分析的对象。 （二）相关关系的分类 1. 按相关的程度可分为完全相关、不完全相关和不相关 当一个变量的变化完全由另一个变量所决定时，称变量间的这种关系为为完全相关关系，这种严格的依存关系实际上就是函数关系。当两个变量的变化相互独立、互不影响时，称这两个变量不相关（与下面的不线性相关或线性无关不同），实际上，这里的不相关就是(概率中的)独立，即变量间没有任何关系。当变量之间存在不严格的依存关系时，称为不完全相关。不完全相关关系是现实当中相关关系的主要表现形式，也是相关分析的主要研究对象。 2. 按相关的方向可分为正相关和负相关 当一个变量随着另一个变量的增加（减少）而增加（减少），即两者同向变化时，称为正相关，例如家庭收入与家庭支出之间的关系，一般随着家庭收入的增加，家庭支出也会随之增加。当一个变量随着另一个变量的增加（减少）而减少（增加），即两者反向变化时，称为负相关，如产品产量与单位成本之间的关系，单位成本会随着产量的增加而减少。 3. 按相关的形式可分为线性相关和非线性相关 当变量之间的依存关系大致呈现为线性形