相关和回归分析.ppt

第十章 相关与回归分析 第十章 相关与回归分析 第一节 变量间的相关关系 第二节 一元线性回归 第三节 多元线性回归 第四节 可化为线性回归的曲线回归 学习目标 1. 掌握相关系数的含义、计算方法和应用 2. 掌握一元线性回归的基本原理和参数的最小二乘估计方法 掌握回归方程的显著性检验 利用回归方程进行预测 掌握多元线性回归分析的基本方法 了解可化为线性回归的曲线回归 用 Excel 进行回归分析 变量相关的概念 变量间的关系（函数关系） 是一一对应的确定关系 设有两个变量 x 和 y ，变量 y 随变量 x 一起变化，并完全依赖于 x ，当变量 x 取某个数值时， y 依确定的关系取相应的值，则称 y 是 x 的函数，记为 y = f (x)，其中 x 称为自变量，y 称为因变量 各观测点落在一条线上 变量间的关系（函数关系） 变量间的关系（相关关系） 变量间关系不能用函数关系精确表达 一个变量的取值不能由另一个变量唯一确定 当变量 x 取某个值时，变量 y 的取值可能有几个 各观测点分布在直线周围 变量间的关系（相关关系） 相关关系的类型 相关关系的图示 相关系数及其计算 相关关系的测度（相关系数） 对变量之间关系密切程度的度量 对两个变量之间线性相关程度的度量称为简单相关系数 若相关系数是根据总体全部数据计算的，称为总体相关系数，记为? 若是根据样本数据计算的，则称为样本相关系数，记为 r 相关关系的测度（相关系数） ? 样本相关系数的计算公式 相关关系的测度（相关系数取值及其意义） r 的取值范围是 [-1,1] |r|=1，为完全相关 r =1，为完全正相关 r =-1，为完全负正相关 r = 0，不存在线性相关关系相关 -1?r0，为负相关 0r?1，为正相关 |r|越趋于1表示关系越密切；|r|越趋于0表示关系越不密切 相关关系的测度（相关系数取值及其意义） 相关关系的测度（相关系数计算例） 相关关系的测度（计算结果） 解：根据样本相关系数的计算公式有 人均国民收入与人均消费金额之间的相关系 数为 0.9987 相关系数的显著性检验（概念要点） 1. 检验两个变量之间是否存在线性相关关系 等价于对回归系数 b1的检验 采用 t 检验 检验的步骤为 提出假设：H0：? ? ? ；H1： ? ? 0 相关系数的显著性检验（实例） ? 对前例计算的相关系数进行显著性检(??0.05) 提出假设：H0：? ? ? ；H1： ? ? 0 计算检验的统计量 相关系数的显著性检验（相关系数检验表的使用） 若IrI大于表上的?=5%相应的值，小于表上?＝1%相应的值，称变量x与y之间有显著的线性关系 若IrI大于表上?=1%相应的值，称变量x与y之间有十分显著的线性关系 若IrI小于表上?=5%相应的值，称变量x与y之间没有明显的线性关系 根据前例的r＝0.9987?=5%(n-2)=0.553，表明人均消费金额与人均国民收入之间有十分显著的线性相关关系 什么是回归分析？（内容） 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 回归分析与相关分析的区别 相关分析中，变量 x 变量 y 处于平等的地位；回归分析中，变量 y 称为因变量，处在被解释的地位，x 称为自变量，用于预测因变量的变化 相关分析中所涉及的变量 x 和 y 都是随机变量；回归分析中，因变量 y 是随机变量，自变量 x 可以是随机变量，也可以是非随机的确定变量 相关分析主要是描述两个变量之间线性关系的密切程度；回归分析不仅可以揭示变量 x 对变量 y 的影响大小，还可以由回归方程进行预测和控制 回归模型的类型 回归模型与回归方程 回归模型 回答“变量之间是什么样的关系？” 方程中运用 1 个数字的因变量(响应变量) 被预测的变量 1 个或多个数字的或分类的自变量 (解释变量) 用于预测的变量 3. 主要用于预测和估计 一元线性回归模型 （概念要点） 当只涉及一个自变量时称为一元回归，若因变量 y 与自变量 x 之间为线性关系时称为一元线性回归 对于具有线性关系的两个变量，可以用一条线性方程来表示它们之间的关系 描述因变量 y 如何依赖于自变量 x 和误差项? 的方程称为回归模型 一元线性回归模型 （概念要点） ? 对于只涉及一个自变量的简单线性回归模型可表示为 y = b0 + b1 x