第12章--心理统计学-线性回归.pptVIP

第十二章 线性回归 当我们希望知道所关心的事物受哪些因素影响时，该采用什么方法来统计分析？ 相关分析？ 其他？ 回归分析 回归分析Analysis of Regression 将存在相关的两个变量，一个作为自变量，另一个作为因变量，并把二者之间不十分准确、稳定的关系，用数学方程式来表达，则可利用该方程由自变量的值来估计、预测因变量的估计值，这一过程称为回归分析 。 回归表示一个变量随另一个变量作不同程度变化的单向关系。 第一节 线性回归模型的建立方法 类别： 1.自变量数目： 一元回归（一个自变量） 多元回归（多个自变量） 2.变量间关系： 线性回归（直线关系） 非线性回归 注意：回归分析中只能有一个因变量 一、回归分析与相关分析 回归分析：用数学方式表示变量间关系，找出变量之间依存关系的数学模型这种数学模型称为回归方程（regression equation） 相关分析：检验或度量变量关系的密切程度 注意：回归分析之前一般要有一个变量间的相关矩阵 相关与回归是从不同角度对变量间关系的分析： 相关关系是两个变量之间的双向关系，没有主从之分； 回归关系是两个变量之间的单向关系，是自变量对因变量的影响关系。相关关系用相关系数来表示，而回归关系用数学模型来表示，这种数学模型称为回归方程 二、回归模型与回归系数 一次函数：Y＝a＋Bx 一元回归方程： a表直线在Y轴的截矩 b表直线的斜率，称回归系数 bYX：Y对X的回归系数（X为自变量） bXY：X对Y的回归系数（Y为自变量） 三、回归模型建立方法 步骤： 1.根据数据资料做散点图，直观判断两变量之间是否存在线性关系 2.设直线方程式为 3.选定某种方法计算表达式中的a和b（平均数法，最小二乘法） 4.将a，b值带入表达式，得到回归方程 最小二乘法 如果散点图中每一点沿Y轴方向到直线的距离的平方和最小，即，使误差的平方和最小，则在所有直线中这条直线的代表性最好 最小二乘法：使得误差平方和最小 四、回归系数与相关系数的关系 五、线性回归的基本假设 1.线性关系假设 2.正态性假设 3.独立性假设 X1,Y1与X2,Y2独立，依次类推 误差项独立 4.误差等分散性假设 误差项总和等于0 第二节 回归模型的检验与估计 一、回归模型有效性检验 基本原理（同方差分析）： SST=SSR+SSE (总平方和＝回归平方和＋误差平方和) dfT＝N－1 dfE＝N－2 dfR＝N－1－（N－2）＝1 F=MSR/MSE 若F值显著，则称回归方程显著 二、回归系数的显著性检验（t检验） 三、测定系数 检验回归平方和在总平方和中所占的比例，比例越大越好 r2＝SSR/SST r2叫做测定系数 相关系数的平方等于回归平方和在总平方和中所占的比例 例如：r2=0.64 说明变量Y的变异中有64％是由变量X的变异引起的 * *