第7章 关回归分析.ppt

第7章 相关与回归分析 主要内容 学习目标 1、了解相关关系的概念、种类以及相关分析与回归分析的区别及联系，明确相关与回归分析的任务与程序； 2、掌握相关系数的概念及常用计算公式；了解相关性的检验、相关系数的取值范围及相关关系密切程度的判断标准； 3、掌握一元线性回归的基本原理，熟练应用最小二乘法求估计的回归方程，理解参数的经济含义，利用回归方程进行预测； 4、了解多元线性回归分析的基本方法； 5、了解估计标准误差的计算方法与应用。 函数关系 相关关系 函数关系 是一一对应的确定关系 设有两个变量 x 和 y ，变量 y 随变量 x 一起变化，并完全依赖于 x ，当变量 x 取某个数值时， y 依确定的关系取相应的值，则称 y 是 x 的函数，记为 y = f (x)，其中 x 称为自变量，y 称为因变量 各观测点落在一条线上 函数关系(几个例子) 相关关系(correlation) 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完全由另一个变量唯一确定。 各观测点分布在直线周围。 相关关系(几个例子) 7.2 一元线性相关分析 7.2.1 相关关系的描述与测度7.2.2 相关系数的显著性检验 7.2.1 相关关系的描述与测度 相关分析要解决的问题 变量之间是否存在关系？ 变量之间的关系强度和方向如何？ 样本所反映的变量之间的关系能否代表总体变量之间的关系？ 为解决这些问题，在进行相关分析时，对总体有以下两个主要假定 两个变量之间是线性关系 两个变量都是随机变量 主要内容 相关关系的描述与测度——散点图 相关关系的描述与测度——相关系数 散点图 描述变量间的相关性最简单最直观的方法就是画出两个变量的散点图。 散点图显示了同一个个体上度量到的两个数量变量之间的关系。其中一个变量的值在横轴上标示，两一个变量的值在纵轴上标示，点的位置由该个体两个变量的值决定。 散点图能描述两变量间的大致关系，直观地看出变量之间关系形式、方向和强弱。 散点图(scatter diagram) 相关关系的种类 散点图(例题分析) 【例1】一家大型商业银行在多个地区设有分行，其业务主要是进行基础设施建设、国家重点项目建设、固定资产投资等项目的贷款。近年来，该银行的贷款额平稳增长，但不良贷款额也有较大比例的增长，这给银行业务的发展带来较大压力。为弄清不良贷款形成的原因，管理者希望利用银行业务的有关数据进行定量分析，以便找出控制不良贷款的办法。 散点图(不良贷款与其他变量的散点图) 相关系数 通过散点图可以初步判断变量之间是否存在相关关系，但不能准确反映变量之间的关系密切程度，因此可以计算相关系数来准确度量相关关系。 相关系数是度量变量之间关系强度和方向的一个统计量。 对两个变量之间线性相关的度量称为简单相关系数。 相关系数(correlation coefficient) Pearson相关系数：线性相关，常用于数量型数据。 Spearman等级相关系数：秩相关，常用于定序数据，也可以用于数量性数据。 若相关系数是根据总体全部数据计算的，称为总体相关系数，记为? 若相关系数是根据样本数据计算的，则称为样本相关系数，简称为相关系数，记为 r 相关系数的意义 1：r 的取值范围是 [-1,1] |r|=1，为完全相关 r =1，为完全正相关 r =-1，为完全负正相关 r = 0，不存在线性相关关系 -1≤r0，为负相关 0r≤1，为正相关 |r|越趋于1表示关系越强；|r|越趋于0表示关系越弱 相关系数的取值及其意义的图解 相关系数的经验解释 |r|?0.8时，可视为两个变量之间高度相关 0.5?|r|0.8时，可视为中度相关 0.3?|r|0.5时，视为低度相关 |r|0.3时，说明两个变量之间的相关程度极弱，可视为不相关 上述解释必须建立在对相关系数的显著性进行检验的基础之上 相关系数的性质 2：r具有对称性。即x与y之间的相关系数和y与x之间的相关系数相等，即rxy= ryx 3：仅仅是x与y之间线性关系的一个度量，它不能用于描述非线性关系。这意味着， r=0只表示两个变量之间不存在线性相关关系，并不说明变量之间没有任何关系 4：r虽然是两个变量之间线性关系的一个度量，却不一定意味着x与y一定有因果关系 相关系数(例题分析) 7.2.2 相关系数的显著性检验 当求出样本相关系数不为0时，并不能真正表明变量之间的相关，通常需要进行显著性检验，来判别是否相关系数显著不为0。 一般要先判断相关系数是否通过显著性检验，通过后再根据相关系数的大小讨论相关程度。 可以推出当两个变量服从正态分布，简单线性相关系数服从自由度为n-2的t分布，利用该分布来检验相关系数是否显著不为0。 相关系数的显著性检验(检验的步骤) 1.