心理统计学——10-回归分析.pptVIP

第十章 回归分析 10.1 一元线性回归 10.2 多元线性回归 10.1 一元线性回归 10.1.1 一元线性回归模型 1. 回归模型的一般形式 2. 一元回归模型的基本假定 10.1.2 回归参数的最小二乘估计 10.1.3 回归方程的显著性检验 10.1.4 预测与应用 10.2 多元线性回归 10.2.1 多元线性回归模型 1. 多元回归一般形式 2. 多元线性回归模型的基本假定 10.2.2 回归参数的估计 10.2.3 回归方程的显著性检验 1. 拟合度检验 2. F检验 10.2.4 回归系数的显著性检验 10.2.5 多元线性回归方程的预测 10.2.6 应用多元回归方程时存在的潜在问题 10.2.7 回归分析与相关分析的区别 10.2.8 回归分析实例 例10.2 下面是20名工作人员的智商和某一次技术考试成绩,根据这个结果求出考试成绩对之上的回归方程。如果另有一名工作人员智商为120，则估计一下若让他也参加技术考试，将会的多少分？ 多元线性回归：一个因变量，两个以上自变量 如：y--某公司的销售额， x1---广告宣传费； x2---个人可支配收入； x3---产品价格； x4---研究与发展费用； x5---各种投资； x6---销售费用。 Y与多个自变量x1,x2,x3,x4,x5,x6有关，属于多元线性回归问题。 10.2.1 多元线性回归模型 1. 多元回归一般形式 设随机变量y与一般变量x1,x2,…,xp的线性回归模型为： y=?0+?1x1+?2x2+…+?pxp+? ?0, ?1,, ?2, …, ?p －－p+1个未知参数，也称回归系数； y---被解释变量（因变量）； x1，x2，…，xp－－解释变量（自变量），可以精确测量并可控制； ?－－随机误差，并假定 10.2.2 回归参数的估计（最小二乘估计） * * 当旨在分析变量之间关系的强度时,用相关分析. 若目的是确定变量之间数量关系的可能形式,并用一个数学模型来表示这种关系形式,则叫回归分析(regression analysis), 它可以从一个变量的变化来预测或估计另一个变量的变化.如由身高来预测体重;由人均国民收入预测人均消费金额;由商店前的车流量预测该商店年销售额. 只有一个自变量的 回归叫一元线性回归或简单线性回归 10.1.1 一元线性回归模型 1.一元线性回归模型的一般形式: y=?0+?1x+? y与x的关系分为两部分: ?0+?1x 是由于的变化引起线性变化的部分; ?是全体一切随机因素造成的部分 x E[Y]=?0 + ?1 X Xi } } ?1 = 斜率 1 ?0 =截距 Yi { 误差: ?i 回归直线图 y Y为被解释变量(因变量Dependent variable) x为解释变量(自变量Independent variable) ?0,?1是未知参数,叫回归系数(Coefficient of regression) ?是随机误差(不可观察) 2. 一元线性回归的基本假设 （1）x与y在总体上具有线性关系； （2）变量x没有测量误差（看成精确变量）； （3）（xi,yi）和（xj,yj）彼此独立； （4）与某一个xi值对应的y值构成变量y上一个子总体，这样的子总体服从正态分布，且它们的方差相等； （5） 是xi对应y的子总体的平均数的一个无偏估计。 X E[Y]=?0 + ?1 X 简单线性回归的基本假设 中心在回归线上，方差相等的分布 y 10.1.2 回归参数的最小二乘估计 为了由样本数据得到回归参数?0,?1的理想值, 使用普通最小二乘估计(Ordinary Least Square Estimation,简记为OLSE)。对于每一个样本观测值（xi,yi）,最小二乘法考虑观测值（Observed value）yi,与其期望值E(yi)的差越小越好，特别要求考虑n个差的平方和 例10.1 在研究我国人均消费水平的问题中，把人均国民收入记为y,把人均国民收入记为x。我们收集到1981--1993年13年的样本数据（xi,yi）,i=1,2,…,13。数据如下表： 10.1.3 回归方程的显著性检验 根据样本得出的回归方程是否真正反映了两个变量之间的线性关系;用它来预测或估计的有效程度如何,是应用回归方程时首要解决的问题。即要对其进行检验和评价。有两种检验方法： （1）F检验 一元回归方程中假设检验的零假设是： H0:β1=0,