云南财经大学统计学课件第七章 相关与回归分析.pptVIP

第8章 相关和回归分析 学习目标 7.1 相关与回归分析的基本概念 7.2 一元线性回归分析 7.3多元线性回归分析 7.4 非线性回归 7.5 相关分析 学习重点 1. 相关系数的分析方法 2.一元线性回归的基本原理和参数的最小二乘估计 3.回归直线的拟合优度 4.回归方程的显著性检验 5.利用回归方程进行估计和预测 7.1 相关与回归分析的基本概念 函数关系 函数关系(几个例子) ? 函数关系的例子 某种商品的销售额y与销售量x之间的关系可表示为 y = px (p 为单价) 圆的面积S与半径之间的关系可表示为S=?R2 企业的原材料消耗额y与产量x1 、单位产量消耗x2 、原材料价格x3之间的关系可表示为 y = x1 x2 x3 相关关系(correlation) 变量间关系不能用函数关系精确表达 2. 一个变量的取值不能由另一个变量唯一确定 3. 当变量 x 取某个值时，变量 y 的取值可能有几个 4. 各观测点分布在直线周围 相关关系(几个例子) ? 相关关系的例子 父亲身高y与子女身高x之间的关系 收入水平y与受教育程度x之间的关系 粮食亩产量y与施肥量x1 、降雨量x2 、温度x3之间的关系 商品的消费量y与居民收入x之间的关系 商品销售额y与广告费支出x之间的关系 相关关系(类型)  按相关程度划分： 完全相关、不完全相关和不相关 按相关方向划分： 正相关和负相关 按相关形式划分： 线性相关和非线性相关 按变量多少划分 单相关、复相关和偏相关 按相关性质划分 真实相关和虚假相关 7.2 一元线性回归 7.2.1 标准的一元线性回归模型 7.2.2一元线性回归模型的估计 7.2.3一元线性回归模型的检验 7.2.4一元线性回归模型的预测 一元线性回归模型 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 一元线性回归模型可表示为 y = b0 + b1 x + e y 是 x 的线性函数(部分)加上误差项 线性部分反映了由于 x 的变化而引起的 y 的变化 误差项 ? 是随机变量 反映了除 x 和 y 之间的线性关系之外的随机因素对 y 的影响 是不能由 x 和 y 之间的线性关系所解释的变异性 ?0 和 ?1 称为模型的参数 一元线性回归模型(基本假定) 误差项ε的期望值为0，即E(ε)=0。对于一个给定的 x 值，y 的期望值为E ( y ) =? 0+ ? 1 x 对于所有的 x 值， 误差项之间不存在序列相关关系，即 自变量是给定的变量，与随机误差项线性无关 随机误差项服从正态分布，即 ε~N( 0 ,σ2 ) 总体回归函数 描述 y 的平均值或期望值如何依赖于 x 的方程称为总体回归函数 总体回归函数的数学形式如下 E( y ) = ?0+ ?1 x 样本回归函数（估计方程） 7.2.2一元线性回归模型的估计 使因变量的观察值与估计值之间的离差平方和达到最小来求得 和 的方法。即 最小二乘法 ( 和 的计算公式) ? 根据最小二乘法的要求，可得求解 和 的公式如下 估计方程的求法(例题分析) 【例7-1】估计食品支出的恩格尔函数 估计标准误差(standard error of estimate) 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 对误差项?的标准差?的估计，是在排除了x对y的线性影响后，y随机波动大小的一个估计量 反映用估计的回归方程预测y时预测误差的大小 计算公式为 7.2.3一元线性回归模型的检验 离差 离差的分解(图示) 离差平方和的分解 (三个平方和的关系) 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