回归分析与SAS过程及案例分析.pdf

回归分析与 REG 过程 前面我们介绍了相关分析，并且知道变量之间线性相关的程度可以通过相关系数来衡 量。但在实际工作中，仅仅知道变量之间存在相关关系往往是不够的，还需要进一步明确它 们之间有怎样的关系。换句话说，实际工作者常常想知道某些变量发生变化后，另一个相关 变量的变化程度。例如，第六章中已经证明消费和收入之间有很强的相关关系，而且也知道， 消费随着收入的变化而变化，问题是当收入变化某一幅度后，消费会有多大的变化？再比如， 在股票市场上，股票收益会随着股票风险的变化而变化。一般来说，收益和风险是正相关的， 也就是说，风险越大收益就越高，风险越小收益也越小，著名的资本资产定价模型（CAPM） 正说明了这种关系。现在的问题是当某个投资者知道了某只股票的风险后，他能够预测出这 只股票的平均收益吗？类似这类通过某些变量的已知值来预测另一个变量的平均值的问题 正是回归分析所要解决的。 第一节 线性回归分析方法简介 一、回归分析的含义及其所要解决的问题 “回归”(Regression)这一名词最初是由19世纪英国生物学家兼统计学家F.Galton(F. 高尔顿)在一篇著名的遗传学论文中引入的。高尔顿发现，虽然有一个趋势：父母高，儿女 也高；父母矮，儿女也矮，但给定父母的身高，儿女辈的平均身高却趋向于或者“回归”到 全体人口的平均身高的趋势。这一回归定律后来被统计学家 K.Pearson 通过上千个家庭成员 身高的实际调查数据进一步得到证实，从而产生了“回归”这一名称。当然，现代意义上的 “回归”比其原始含义要广得多。一般来说，现代意义上的回归分析是研究一个变量（也称 为因变量 Dependent Variable 或被解释变量 Explained Variable ）对另一个或多个变量 （也称为自变量 Independent Variable 或 Explanatory Variable ）的依赖关系，其目的 在于通过自变量的给定值来预测因变量的平均值或某个特定值。具体而言，回归分析需要解 决以下问题： 1．构建因变量与自变量之间的回归模型，并依据样本观测值对回归模型中的参数进行 估计，给出回归方程。 2．对回归方程中的参数和方程本身进行显著性检验。 3．评价自变量对因变量的贡献； 4．利用所求得的回归方程对因变量进行预测，对自变量进行控制。 二、经典线性回归模型及其假设条件 在回归分析中，因变量Y和自变量X之间的关系通常可用以下带有条件期望的方程表示： Y E (Y | X )  （9.1） 其中E (Y | X ) 为变量 Y 关于变量 X（可以是一个变量，也可以是由多个变量构成的向量）的 条件均值，为随机误差，称方程 9.1 为Y 关于X的总体回归模型。由于条件均值E (Y | X ) 是变量 X 的函数，所以可记为： E (Y | X ) f (X ) （9.2） 其中f (X ) 为 X 的某个函数，方程（9.2）被称为总体回归方程，它表明了Y 的条件均值与 X 之间的关系。 在回归分析中，关于函数 f (X ) 的形式至关重要。若函数f (X ) 只含有一个自变量，则 称为一元回归；若含有两个或两个以上的自变量则称为多元回归。若f (X ) 是X 的线性函数， 即： f (x )   x  x  x （9.3） 0 1 1 2 2 k k 其中0 、1 为未知参数，称为回归系数，则称方程（9.3）为线性回归方程，而方程： Y E (Y | X )    X  （9.4） 0 1 则称为线性回归模型。特别地，当模型中只有一个自变量时称为一元线性回归模型，其一般 形式可表示为： +