用途︰简单线性回归方程.PPTVIP

習慣上，相關係數的絕對值|r|在︰ 0.3以下，稱為微弱線性相關； 0.3-0.5，稱為低度線性相關； 0.5-0.8，稱為顯著線性相關； 0.8以上，稱為高度線性相關。 直線回歸 線性回歸分析是基于最小二乘法原理產生古典統計假設下的最優線性無偏估計。 直線回歸是回歸分析中最基本、最簡單的一種，是處理兩變量（其中至少一個是隨機變量）間線性依存關係的一種統計方法，即自變量只有一個的情況，故又稱簡單回歸（simple regression），所得方程叫直線回歸方程。 若引入回歸分析的自變量有兩個以上，那么就是多重線性回歸分析或多元線性回歸分析，所得方程叫多重線性回歸方程。 簡單線性回歸方程︰ = a + bx 最小二乘法原理，此時估計誤差平方和 最小。 直線回歸方程的假設檢驗 樣本回歸系數b的假設檢驗 （1）方差分析； （2）t檢驗。 決定系數: 習慣上寫成 ，稱為確定系數（或決定系數），數值上等于自變量對因變量的貢獻率，即用自變量能解釋因變量變化的百分之多少。 越接近于1，回歸擬合分析的效果越好，即價值越大。 注意︰如果X與Y有回歸關係，則一定存在相關關係，但是若存在相關關係，則不一定存在回歸關係。 作直線回歸分析時的注意事項︰ 1）兩變量間的關係必須有實際意義。 2）計算直線回歸的兩變量，若X為選定的，則對應于每個X值的Y值必須服從正態分佈，其即Y的均數；若X、Y都是隨機變量，則要求X、Y服從雙變量正態分佈。否則先經變量變換，使資料符合要求后再進行回歸分析。 3）用同一資料計算X推算Y，和由Y推算X的兩個回歸方程，結果不同。因此，要正確選定自變量。若兩變量之間有因果關係，應以“因”為X；無法確定時，則以較易測定者或變異較小者為X。 4）觀察值必須是同質的。如果有兩個不同的子群，可能產生實際上不存在的回歸，也可能忽視了確實存在的回歸關係。 5）回歸方程一般只適用于自變量X的原觀察數據範圍，而且實驗條件也應與取得原觀察數據的實驗條件一致，不能任意外推。 實例講解 實例3 某單位研究代乳粉營養價值時，用大白鼠作實驗，得到大白鼠進食量和增加體重的數據見表2。 表2 8只大白鼠的進食量和體重增加量 求直線回歸方程並對回歸系數作假設檢驗。 實例講解 1、由原始數據繪製散點圖並初步分析（圖2） 圖2 大白鼠的進食量與增加體重散點圖 實例講解 ΣX=6328，ΣX2=5048814， ΣY=1273，ΣY2=206619， ，ΣXY=1018263 2、計算回歸系數b和截距a，求回歸方程 回歸方程︰ = -47.326 + 0.261x 3、回歸系數假設檢驗︰ H0︰β＝0，即進食量與增重之間無直線關係 H1︰β≠0，即進食量與增重之間有直線關係 α＝0.05 方差分析表 實例講解 查F界值表，得P0.01，按α＝0.05水準，拒絕H0，接受H1， 可認為大白鼠的進食量與增加體重間有直線關係。 實例講解 t檢驗︰ 按υ=6，查t界值表，得0.01P0.05， 按α＝0.05水準，拒絕H0，接受H1，結論同上。 本題 故可用直線回歸方程 來描述大白鼠的進食量與增加體重的關係。 實例講解 4、計算總體回歸系數β的95%可信區間 上限= 0.261－2.447×13.5107／ =0.1022 下限= 0.261＋2.447×13.5107／ =0.4198 總體回歸系數β的95%可信區間︰ （b－t0.05(n－2) Sb，b＋t0.05(n－2) Sb） SPSS軟體操作過程︰ 1、建立數據庫 2、分析操作︰ 2.1 繪散點圖 Graphs── Scatter── Simple── Define: Y Axis: 增重 X Axis: 食量 OK 2.2 分析界面操作︰ Analyze── Regression── Linear── Dependent: 增重 Independent: 食量 OK 回归系数 模拟的拟合参数 残差统计量 因變量 標準化預測值 預測值 預測區間 影響統計量 實例講解 5、繪製回歸直線 圖3 大白鼠的進食量與增加體重回歸直線 * * 單原素線性相關 與回歸分析 現實世界中許多事物與事物之間存在著聯繫，統計方法的一個重要目的是探討事物的數量規