第三章 回归分析new.pptVIP

任何两个自变量之间的相关系数为： 经验法则认为相关系数的绝对值小于0.75，或者0.5,这两个自变量之间不存在多重共线性问题。 若某两个自变量之间高度相关，就有必要把其中的一个自变量从模型中删去。 3 非线性回归法 在社会现实经济生活中，很多现象之间的关系并不是线性关系，对这种类型现象的分析预测一般要应用非线性回归预测，通过变量代换，可以将很多的非线性回归转化为线性回归。因而，可以用线性回归方法解决非线性回归预测问题。 一、配曲线问题 选配曲线通常分为以下两个步骤： 确定变量间函数的类型 变量间函数关系的类型有的可根据理论或过去积累的经验事前予以确定； 不能根据理论或过去积累的经验确定时，根 据实际资料作散点图，从其分布形状选择适当的曲线来配合。 确定相关函数中的未知参数 最小二乘法是确定未知参数最常用的方法。 二、一些常见的函数图形 选择合适的曲线类型不是一件轻而易举的工作，主要依靠专业知识和经验，也可以通过计算剩余均方差来确定。 抛物线函数 对数函数 S型函数 常见的函数 幂函数 指数函数 双曲线 ? 0 ? 0 基本形式： 线性化方法 令：y = 1/y，x= 1/x, 则有y = ? + ? x 图像 幂函数曲线 基本形式： 线性化方法 两端取对数得：lg y = lg? + ? lg x 令：y = lgy，x= lg x，则y = lg? + ? x‘ 图像 0? 1 ? ? 1 ? = 1 -1? 0 ? -1 ? =-1 对数曲线 基本形式： 线性化方法 x= lnx , 则有y = ? + ? x‘ 图像 ? ? 0 ? 0 指数曲线 基本形式： 线性化方法 两端取对数得：lny = ln? + ? x 令：y = lny，则有y = ln? + ? x 图像 ? ? ? ? ? ? S 型曲线 基本形式： 线性化方法 令：y = 1/y，x= e-x, 则有y = ? + ? x 图像 4 应用回归预测法时应注意的问题 应用回归预测法时应首先确定变量之间是否存在相关关系。如果变量之间不存在相关关系，对这些变量应用回归预测法就会得出错误的结果。 正确应用回归分析预测时应注意： 用定性分析判断现象之间的依存关系； 避免回归预测的任意外推； 应用合适的数据资料。 * * 139 * * * * * 第三章 回归分析 1 一元线形回归分析 2 多元线形回归分析 3 非线性回归分析 一、建立模型 一元线性回归模型： 其中， 是未知参数， 为剩余残差项 或称随机扰动项。 ， 一元线形回归 用最小二乘法进行参数的估计时，要求 满足一定的假设条件： 是一个随机变量； 的均值为零，即 在每一个时期中， 的方差为常量，即 各个 相互独立； 与自变量无关。 二、估计参数 Karl Gauss的最小化图 x y (xn , yn) (x1 , y1) ? ? ? ? ? ? ? ? ? (x2 , y2) (xi , yi) ei = yi-yi ＾ 用最小二乘法进行参数估计 ，得到的估计表达式为： 三、进行检验 标准误差：估计值与因变量值间的平均平方误差。 其计算公式为： 可决系数 衡量自变量与因变量关系密切程度的指标，表示自变量解释了因变量变动的百分比。 其计算公式为： 可见，可决系数取值于0与1之间，并取决于回归模型所解释的方差的百分比。 相关系数 其计算公式为： 由公式可见，可决系数是相关系数的平方。相关系数越接近+1或-1，因变量与自变量的拟合程度就越好。 相关系数的性质(取值及其意义的图解) -1.0 +1.0 0 -0.5 +0.5 完全负相关 无线性相关 完全正相关 负相关程度增加 r 正相关程度增加 相关系数测定变量之间的密切程度，可决系数测定自变量对因变量的解释程度。相关系数有正负，可决系数只有正号。 正相关系数意味着因变量与自变量以相同的方向增减。 如果直线从左至右上升，则相关系数为正； 如果直线从左至右下降，则相关系数为负。 相关系数与可决系数的主要区别： 回归系数显著性检验 检验假设： 其中 检验规则：给定显著性水平 ，若 则回归系数显著。 检验统计量： ~ 回归模型的显著性检验 检验假设： 回归方程不显著 回归方程显著 检验统计量： ~ 检验规则：给定显著性水平 ，若 则回归方程显著。 德宾—沃森统计量（D—W） 检验 之间是否存在自相关关系。 其中， 查 D-W 表获得 du和dl值并与上面求得值比较。 D—W的取值域在0~4之间