第8讲大学统计学-相关与回归分析.pptVIP

第8讲 相关与回归分析 比较下面两种现象的依存关系 ⒈ 某公司产品的销售额与销售量： 总收入=销售量 ? 销售单价 ⒉ 子女的身高与父母的身高： 现象间的依存关系 函数关系：指现象间所具有的严格的确定性的依存关系 相关关系：指客观现象间确实存在，但数量上不是严格对应的依存关系 因果关系 互为因果关系 共变关系 相关关系与函数关系不同之处表现在： （1）函数关系指变量之间的关系是确定的，而相关关系的两变量的关系则是不确定，可以在一定范围内变动。 （2）函数关系变量之间的依存可用一定的方程y=f（x）表现出来，可以给定自变量来推算因变量，而相关关系则不能用一定方程表示。如果将相关关系扩展至所有的依存关系，那么也可以说函数关系是相关关系的特例，即函数关系是完全的相关关系。通常我们把相关关系看为不完全的相关关系。 函数关系与相关关系之间并无严格的界限：有函数关系的变量间，由于有测量误差及各种随机因素的干扰，可表现为相关关系；对具有相关关系的变量有深刻了解之后，相关关系有可能转化为或借助函数关系来描述。 相关关系的种类 1、按相关的性质可分为正相关和负相关。 正相关：自变量与因变量之间的变动方向同步。 负相关：自变量与因变量之间的变动方向呈现逆向运动。 2、按相关形式可分为线性相关和非线性相关。 线性相关：如果变量之间存在着相关关系，因变量又近似表现为自变量的一次函数。（以两个变量为例的散点图） 非线性相关：如果变量之间存在着相关关系，因变量不能近似地表现为自变量的一次函数。（以两个变量为例的散点图） 3、按相关程度可分为完全相关、不完全相关和完全不相关。 完全相关：变量的所有值都完全满足一个方程。 如：圆面积S与半径r有关系式 不完全相关：变量之间存在不严格的依存关系 如父母与子女之间的身高 完全不相关：自变量与因变量之间彼此互不影响。 4.按变量多少划分，可分为： 单相关：研究两个变量之间的相关关系。 复相关：研究两个以上变量间的相关关系 偏相关：在存在多个变量时，假定其他不变，而只研究其中一个对因变量的影响 5.按相关性质划分，分为真实相关和虚假相关 真实相关：指现象之间确实存在内在联系 虚假相关：指现象之间的相关只是表面的，实质上没有内在联系 相关系数公式 * * 定性分析 是依据研究者的理论知识和实践经验，对客观现象之间是否存在相关关系，以及何种关系作出判断 定量分析 在定性分析的基础上，通过编制相关表、绘制相关图、计算相关系数与判定系数等方法，来判断现象之间相关的方向、形态及密切程度 相关关系的测定 简单 相关表 适用于所观察的样本单位数较少，不需要分组的情况 分组 相关表 适用于所观察的样本单位数较多标志变异又较复杂，需要分组的情况 将现象之间的相互关系，用表格的形式来反映。 相关表 正 相 关 负 相 关 曲线相关 不 相 关 x y x y x y x y 又称散点图，用直角坐标系的x轴代表自变量，y轴代表因变量，将两个变量间相对应的变量值用坐标点的形式描绘出来，用以表明相关点分布状况的图形。 相关图 相关系数r的取值范围：-1≤r≤1 r0 为正相关，r 0 为负相关； |r|=0 表示不存在线性关系； |r|＝1 表示完全线性相关； 0|r|1表示存在不同程度线性相关： |r| 0.4 为低度线性相关； 0.4≤ |r| ＜0.7为显著性线性相关； 0.7≤|r| ＜1.0为高度显著性线性相关。 回归分析 指根据相关关系的数量表达式（回归方程式）与给定的自变量x，揭示因变量y在数量上的平均变化和求得因变量的预测值的统计分析方法 回归分析与相关分析 理论和方法具有一致性； 无相关就无回归，相关程度越高，回归越好； 相关系数和回归系数方向一致，可以互相推算。 联系： 相关分析中x与y对等，回归分析中x与y要确定自变量和因变量； 相关分析中x、y均为随机变量，回归分析中只有y为随机变量； 相关分析测定相关程度和方向，回归分析用回归模型进行预测和控制。 回归分析与相关分析 区别： 回归分析的种类 一元回归 （简单回归） 多元回归 （复回归） 线性回归 非线性回归 一 元线性回归 按自变量的 个数分 ⒈ 按回归曲线的形态分 ⒉ 一元线性回归模型 对于经判断具有线性关系的两个变量y与x，构造一元线性回归模型为： 假定E(?)=0，有总体一元线性回归方程： 一元线性回归方程的几何意义 截距 斜率 一元线性回归方程的可能形态 ?为正 ?为负 ?为0 总体一元线性 回归方程: 样本一元线性回归方程： 以样本统计量估计总体参数 斜率（回归系数） 截距 截距a 表示在没有自变量x的影响时，其它各种因素对因变量y的平均影响；回归系数b 表明自变量x每