第三章___地理要素间的相关分析和回归分析 (1).ppt

在回归计算的某一步需要引进的变量应该是所有未进入回归方程的变量中最显著的一个，也就是偏回归平方和最大的一个。 逐步回归分析方法的应用 如果要在回归方程中剔除不显著的变量，则首先应从已引入的变量中剔除对因变量贡献最小的，也就是偏回归平方和最小的一个变量。 设模型中已引入L个自变量， xi的偏回归平方和为Qi(L),再假设偏回归平方和最小的变量为xk,作检验为： Stepwise逐步回归 End of Chapter 5 0 50 100 150 200 1981 1985 1989 1993 1997 汽车产量 趋势值 汽车产量直线趋势 （年份） 汽 车 产 量 （万辆） 二次趋势模型 描述抛物线型趋势变化的数学模型 Yt = b0 + b1t + b2t2 + ε t Yt t * * * * * * * * * * * * * ε t Yt = b0 + b1t + b2t2 二次曲线 0 4 8 12 16 1978 1980 1982 1984 1986 1988 1990 1992 零售量 趋势值 零 售 量 （亿件） 针织内衣零售量二次曲线趋势 （年份） 指数增长趋势变化 时间序列模型 Yt = abt ε t 或 Yt = K + abt ε t Yt = aebt ε t Yt t * * * * * * * * 指数曲线 0 50 100 150 200 250 1981 1985 1989 1993 1997 汽车产量 趋势值 汽车产量指数曲线趋势 （年份） 汽 车 产 量 （万辆） 自相关性判断 ①时间序列的自相关，是指序列前后期数值之间的相关关系，对这种相关关系程度的测定便是自相关系数。 ② 测度:设y1，y2，…，yt，…，yn，共有n个观察值。把前后相邻两期的观察值一一成对，便有（n－1）对数据，即(y1，y2)，(y2，y3)，…，(yt，yt+1)，…，(yn-1，yn)。 （三）自回归模型（Autoregression） 其一阶自相关系数r1为 二阶自相关系数r2为 k阶自相关系数为 自回归模型的建立 常见的线性自回归模型： ① 一阶线性自回归预测模型为 ② 二阶线性自回归预测模型为 ③ 一般地，p阶线性自回归模型为 在以上各式中， 为待估计的参数值，它们可以通过最小二乘法估计获得。 应用举例 某地区1992-2003年12年自然灾害造成的成灾面积的时间序列数据见表。试计算该时间序列的自相关系数，并用自回归模型预测2004年的成灾面积。 年份 序号 成灾面积（100hm^2） yt+1 1992 1 50 52 1993 2 52 53 1994 3 53 53 1995 4 53 55 1996 5 55 56 1997 6 56 58 1998 7 58 59 1999 8 59 60 2000 9 60 61 2001 10 61 61 2002 11 61 62 2003 12 62 ? 首先，计算r=0.9761,样本数n=11，自由度f=11-2=9，在置信水平α=0.001下查相关系数的临界值为0.8471。所以可以建立线性自回归模型。 用最小二乘法估计模型参数，得到如下回归方程 （Yt=5.289+0.92527*Yt-1 r=0.976 Y2004=62.656） 基本步骤 （1）对原时间序列求移动平均，以消除季节变动和不规则变动，保留长期趋势； (2）将原序列y除以其对应的趋势方程值（或平滑值），分离出季节变动（含不规则变动），即 三、季节性预测法 季节系数= TSCI/趋势方程值（TC或平滑值）=SI （3）将月度（或季度）的季节指标加总，以由计算误差导致的值去除理论加总值，得到一个校正系数，并以该校正系数乘以季节性指标从而获得调整后季节性指标。 （4）求预测模型，若求下一年度的预测值，延长趋势线即可；若求各月（季）的预测值，需以趋势值乘以各月份（季度）的季节性指标。 求季节变动预测的数学模型（以直线为例）为 式中： 是t+k时的预测值; at、bt为方程系数; 为季节性指标。 例题：如表3.3.3所示，下面我们用上述步骤，预测该旅游景点2005年各季度的客流量。 表3.3.3 某旅游景点2002—2004年各季度客流