第十二章-回归分析.pptVIP

* 第二节 一元线性回归方程的检验 一、估计误差的标准差 利用回归方程可以计算出与某一X值相对应的Y值的估计值?。 但实际上，与某一X值相对应的诸Y值，并不都落在回归线上 ——它们以Y的平均数?YX为中心呈正态分布。 与某一X值相对应的回归值?， ——就是与该X值相对应的这些诸Y值的平均数?YX的估计值。 * 第二节 一元线性回归方程的检验 一、估计误差的标准差 由?估计?YX会有一定的误差。 ——用估计误差的标准差作为描述由?估计?YX误差大小的指标。 估计误差的标准差的无偏估计量为： 因为在用回归方程计算?时，使用了a和b两个统计量， 故失去了两个自由度(n-2) 。 * 第二节 一元线性回归方程的检验 一、估计误差的标准差 ——当样本容量较大（即n/(n-2)接近于1）， ——又已知两个变量的标准差及其相关系数时， 可用下式计算估计误差的标准差的近似值。 （由X估计Y） SYX——估计误差的标准差 σY——Y变量的样本标准差 r——X与Y两个变量的相关系数 * 第二节 一元线性回归方程的检验 一、估计误差的标准差 （由X估计Y） 由此可见，估计误差的标准差与两个变量的相关程度有关。相关越高，估计误差的标准差越小，估计的可靠性越大。当r=1时，估计误差的标准差为0，即估计得准确无误。 * 第二节 一元线性回归方程的检验 表12.1 10个学生初一（X）与初二（Y）数学分数估计方差、估计标准差误差计算表 104.87 723.00 723 710 总和 15.63 -3.96 75.96 72 74 10 8.88 -2.98 64.98 62 65 9 35.05 5.92 71.08 77 70 8 5.86 -2.42 67.42 65 67 7 18.15 4.26 74.74 79 73 6 5.76 -2.40 78.40 76 76 5 1.85 1.36 68.64 70 68 4 6.35 -2.52 73.52 71 72 3 7.29 2.70 72.30 75 71 2 0.00 0.04 75.96 76 74 1 Y X 残值平方和 (Y-?)2 残值 Y-? 回归值 ? 测验分数 学生 * 第二节 一元线性回归方程的检验 一、估计误差的标准差 ——先用回归方差?=1.22X-14.32计算与各X值相对应的回归值，例如，X=74，?=1.22×74-14.32=75.96 ——然后求Y与?之差——残差，再平方，求其和， 则残值平方和 ∑(Y-?)2=104.87 则估计误差的标准差为： * 第二节 一元线性回归方程的检验 一、估计误差的标准差 若将已知σY=5.178，r=0.78，则 若样本容量较大，则上述结果会更加接近。 * 第二节 一元线性回归方程的检验 二、一元线性回归方程检验的意义 根据样本数据计算出的回归方程可能有一定的抽样误差。 ——为考查这两个变量在总体内是否存在线性关系， ——以及回归方程对估计预测因变量的有效性如何， 因此，在回归方程应用之前，首先应进行显著性检验。 * 第二节 一元线性回归方程的检验 二、一元线性回归方程检验的意义 一元线性回归方程的显著性，有以下三种等效的检验方法： 1、对回归方程进行方差分析； 2、对两个变量的相关系数进行与总体零相关的显著性检验。若相关系数显著，则回归方程也显著，即存在线性关系。 3、对回归系数进行显著性检验。 * 第二节 一元线性回归方程的检验 二、一元线性回归方程检验的意义 回归系数的显著性检验——应看样本的回归系数b在以总体回归系数β=0为中心的抽样分布上出现的概率如何。 ——如概率大，则b与β=0的总体无显著性差异， 即样本b是来自于β=0的总体。 这时，即使b再大，也不能认为X与Y存在线性关系。 ——如概率小到一定程度，则b与β=0有显著性差异， 即样本b不是来自于β=0的总体。 这时，即使b再小，也只能承认X与Y存在线性关系。 * 第二节 一元线性回归方程的检验 三、一元线性回归系数显著性检验方法 ——在回归线上，当与所有自变量X相对应的各组因变量Y的残值都呈正态分布， ——并且残值方差为齐性时， 由X估计Y的回归系数的标准误为： SYX——估计误差的标准差 ∑(X-?X)2——X变量的离差平方和 * 第二节 一元线性回归方程的检验 三、一元线性回归系数显著性检验方法 当已知两个变量的标准差时，回归系数标准误的估计量可表示为： σX和σY——X和Y变量的样本标准差 r——X与Y两个变量的相关系数 n——样本的容量 * 第二节 一元线性回归方程的检验 前例 检验回归系数的显著性 检验的步骤： （1）提出假设 H0： β=0