第6章相关分析与卓回归分析.ppt

第六章 本 章 内 容 第一节 相关分析 一、相关关系的概念 二、相关关系的种类 三、相关分析 四、相关分析中应注意的问题 二、相关关系的种类 1. 按相关的程度分 完全相关：当一个变量的变化完全由另一个变量所决定时，称变量间的这种关系为为完全相关关系，这种严格的依存关系实际上就是函数关系。 不相关：当两个变量的变化相互独立、互不影响时，称这两个变量不相关（或零相关）。 不完全相关：当变量之间存在不严格的依存关系时，称为不完全相关。 不完全相关关系是现实当中相关关系的主要表现形式，是相关分析的主要研究对象。 三、相关分析 相关分析就是运用一定的方法对变量之间的依存关系密切程度进行测定的过程。 四、相关分析中应注意的问题 （一）相关系数是说明变量之间线性联系程度的，相关系数很小的变量间可能存在非线性联系。 第二节 一元线性回归 本节内容 一、回归分析的概念及种类 二、标准的一元线性回归模型 三、回归估计标标准误差 四、可线性化的常用曲线类型 一、回归分析的概念 1、什么是回归分析 回归：退回。回归一词是由英国生物学家F.Galton在研究人体身高的遗传问题时首先提出的。 2、相关分析与回归分析的关系 二者的联系：两者都是研究变量之间的相关关系。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。 根据相关分析可以判断变量间联系的密切程度，进而确定有无必要建立回归方程。只有当变量间有较密切的相关关系时，回归方程才有作用。反过来，若建立了回归方程，可以通过对回归系数的检验，来判断变量间是否存在显著相关。 回归估计方程的求法 配合人均消费金额对人均国民收入的回归方程 根据 和 的求解公式得： 人均消费金额对人均国民收入的回归方程为 估计方程的求法（Excel的输出结果） 离差平方和的分解 因变量 y 的取值是不同的，y 取值的这种波动称为变差。变差来源于两个方面 由于自变量 x 的取值不同造成的 除 x 以外的其他因素(如x对y的非线性影响、测量误差等)的影响 对一个具体的观测值来说，变差的大小可以通过该实际观测值与其均值之差 来表示 离差平方和的分解（图示） 离差平方和的分解 （三个平方和的关系） 2. 两端平方后求和有 离差平方和的分解 （三个平方和的意义） 总平方和(SST) 反映因变量的 n 个观察值与其均值的总离差 回归平方和(SSR) 反映自变量 x 的变化对因变量 y 取值变化的影响，或者说，是由于 x 与 y 之间的线性关系引起的 y 的取值变化，也称为可解释的平方和 残差平方和(SSE) 反映除 x 以外的其他因素对 y 取值的影响，也称为不可解释的平方和或剩余平方和 样本决定系数 （判定系数 ） 回归平方和占总离差平方和的比例 判定系数与相关系数的关系 判定系数与相关系数的关系 （1）联系 数值上，可决系数等于应变量与解释变量之间简单相关系数的平方: 估计标准误差 实际观察值与回归估计值离差平方和的均方根 反映实际观察值在回归直线周围的分散状况 从另一个角度说明了回归直线的拟合程度 计算公式为 回归方程的显著性检验 （线性关系的检验 ） 检验自变量和因变量之间的线性关系是否显著 具体方法是将回归离差平方和(SSR)同剩余离差平方和(SSE)加以比较，应用F检验来分析二者之间的差别是否显著 如果是显著的，两个变量之间存在线性关系 如果不显著，两个变量之间不存在线性关系 回归方程的显著性检验 （检验的步骤） 提出假设 H0：线性关系不显著 回归方程的显著性检验 （方差分析表） 回归系数的显著性检验（要点） 回归系数的显著性检验（样本统计量 的分布） 回归系数的显著性检验（样本统计量 的分布） 回归系数的显著性检验（步骤）  提出假设 H0: b1 = 0 (没有线性关系) H1: b1 ? 0 (有线性关系) 计算检验的统计量 回归系数的显著性检验 （实例） 提出假设 H0：b1 = 0 人均收入与人均消费之间无线性关系 H1：b1 ? 0 人均收入与人均消费之间有线性关系 计算检验的统计量 回归系数的显著性检验(Excel输出的结果） 例：研究某市城镇居民人均鲜蛋需求量Y(公斤)与人均可支配收入X（元，1980年不变价计）的关系 设定模型： 1995-2005年的样本数据 参数估计： 模型估计结果： 判定系数计算举例 例1：由前面的估计结果可计算出 有数据Y可计算出： 区间估计举例 估计 ： 给定 查df=9的t分布临界值 参数区间估计： 回归分析结果的报告 经过模型的估计、检验，得到一系列重要的数据，为了简明、清晰、规范