统计学相关与回归分析教学课件.ppt

概念：根据自变量 X的取值估计或预测因变量 Y的取值 估计或预测的类型 点估计 Y 的平均值的点估计 Y 的个别值的点估计 区间估计 Y 的平均值的置信区间估计 Y 的个别值的预测区间估计 简单线性回归分析 5. 一元线性回归模型预测 对于自变量X 的一个给定值X0 ，根据回归方程得到因变量 Y 的一个估计值 点估计值 在点估计条件下，平均值的点估计和个别值的的点估计是一样的，但在区间估计中则不同. 一元线性回归模型的检验 点预测 Y的平均值的点估计 利用估计的回归方程，对于自变量X的一个给定值X0 ，求出因变量Y的平均值的一个估计值E(Y0) ，就是平均值的点估计。 一元线性回归模型的检验 点预测 根据回归方程，可以给出自变量的某一数值来估计或预测因变量平均可能值。例如，前例中当人口增长量为400千人时，该食品的年需求量为： 一元线性回归模型的检验 点预测 (十吨) * * 139 * * * 24 This teleology is based on the number of explanatory variables nature of relationship between X Y. * * * * * * * * * * * 相关分析：就是用一个指标来表明现象间相互依存关系的密切程度。 广义的相关分析包括相关关系的分析（狭义的相关分析）和回归分析。 回归分析：是指对具有相关关系的现象，根据其相关关系的具体形态，选择一个合适的数学模型（称为回归方程式），用来近似地表达变量间的平均变化关系的一种统计分析方法。 简单线性回归分析 概念 1. 相关分析与回归分析的关系 有无自变量与因变量的区别？ 在相关分析中，不必确定自变量和因变量； 在回归分析中，必须事先确定哪个为自变量，哪个为因变量，而且只能从自变量去推测因变量，而不能从因变量去推断自变量。 变量间相关关系有无具体形式？ 相关分析不能指出变量间相互关系的具体形式； 回归分析能确切的指出变量之间相互关系的具体形式，它可根据回归模型从已知量估计和预测未知量。 相关分析与回归分析的区别 简单线性回归分析 1. 相关分析与回归分析的关系 变量是否均为随机变量？ 相关分析所涉及变量一般都是随机变量， 回归分析中因变量是随机的，自变量则作为研究时给定的非随机变量。 相关分析与回归分析的区别 简单线性回归分析 1. 相关分析与回归分析的关系 相关分析是回归分析的基础和前提； 回归分析是相关分析的深入和继续。 相关分析与回归分析的联系 相关分析和回归分析有着密切的联系，它们不仅具有共同的研究对象，而且在具体应用时，常常必须互相补充。 相关分析需要依靠回归分析来表明现象数量相关的具体形式 ； 回归分析则需要依靠相关分析来表明现象数量变化的相关程度； 而只有当变量之间存在着高度相关时，进行回归分析寻求其相关的具体形式才有意义。 简单线性回归分析 1. 相关分析与回归分析的关系 简单线性回归分析 2. 一元线性回归模型 一般的回归分析要做以下工作：　 从一组样本数据出发，确定变量之间的数学关系式 。　 对这些关系式的可信程度进行各种统计检验，并从影响某一特定变量的诸多变量中找出哪些变量的影响显著，哪些不显著。　 利用所求的关系式，根据一个或几个变量的取值来预测或控制另一个特定变量的取值，并给出这种预测或控制的精确程度。 回归模型的类型 一个自变量 两个及两个以上自变量 回归模型 多元回归 一元回归 线性回归 非线性回归 线性回归 非线性回归 简单线性回归分析 总体回归函数(Population Regression Function)：从一个总体来看，反映两个变量依存关系的线性回归模型 　 Yt＝?0＋?1Xt＋ut　　 ut是随机误差项，又称随机干扰项，它是一个特殊的随机变量，反映未列入方程式的其他各种因素对Ｙ的影响。 简单线性回归分析 总体回归函数 描述Y的平均值或期望值如何依赖于X的方程称为回归方程。 简单线性回归方程的形式如下 E( Y ) = ?0+ ?1 X ?0 是回归直线在 y 轴上的截距，是当 X=0 时 Y的期望值 ?1 是直线的斜率，称为回归系数，表示当X每变动一个单位时，Y的平均变动值 简单线性回归分析 总体回归函数 确定的消费函数关系： Yt=?0+?1Xt 其中： Y消费支出； X可支配收入； ?0基础消费水平； ?1边际消费倾向 E(Yt)=?0+?1Xt 平均意义上的消费支出与可支配收入的关系： 总体回归线与随机误差项 E(Yt)=β0+β1Xt X Yt Y 。 。 。 。 。 ut X