回归分析法概念及原理.docxVIP

- - 回归分析法概念及原理 回归分析定义： 利用数据统计原理， 对大量统计数据进行数学处理， 并确定因变 量与某些自变量的相关关系，建立一个相关性较好的回归方程（函数表达式） ， 并加以外推，用于预测今后的因变量的变化的分析方法。 分类： 根据因变量和自变量的个数来分类：一元回归分析；多元回归分析； 根据因变量和自变量的函数表达式来分类：线性回归分析；非线性回归分析； 几点说明： 通常情况下，线性回归分析是回归分析法中最基本的方法，当遇到非线性回归分析时，可以借助数学手段将其化为线性回归；因此，主要研究线性回归问题，一点线性回归问题得到解决，非线性回归也就迎刃而解了，例如，取对数使得乘法变成加法等；当然，有些非线性回归也可以直接进行，如多项式回归等； 在社会经济现象中，很难确定因变量和自变量之间的关系，它们大多是随机性的，只有通过大量统计观察才能找出其中的规律。随机分析是利用统计学原理来描述随机变量相关关系的一种方法； 由回归分析法的定义知道，回归分析可以简单的理解为信息分析与预测。信息即统计数据，分析即对信息进行数学处理，预测就是加以外推，也就是适当扩大已有自变量取值范围，并承认该回归方程在该扩大的定义域内成立， 然后就可以在该定义域上取值进行 “未来预测”。当然， 还可以对回归方程进行有效控制； 相关关系可以分为确定关系和不确定关系。但是不论是确定关系或者不确定关系，只要有相关关系，都可以选择一适当的数学关系式，用以说明一个或几个变量变动时，另一变量或几个变量平均变动的情况。 相关关系 线性相关 非线性相关 完全相关 不相关 正相关 负相关 正相关 负相关 回归分析主要解决的问题： 回归分析主要解决方面的问题； 确定变量之间是否存在相关关系，若存在，则找出数学表达式； 根据一个或几个变量的值，预测或控制另一个或几个变量的值，且要估计这种控制或预测可以达到何种精确度。 回归模型： 回归模型 一元回归 多元回归 线性回归 非线性回归 线性回归 非线性回归 回归分析步骤： 根据自变量与因变量的现有数据以及关系，初步设定回归方程； 求出合理的回归系数； 进行相关性检验，确定相关系数； 在符合相关性要求后，即可根据已得的回归方程与具体条件相结合，来确定事物的未来状况，并计算预测值的置信区间； 回归分析的有效性和注意事项： 有效性：用回归分析法进行预测首先要对各个自变量做出预测。 若各个自变量可以由人工控制或易于预测， 而且回归方程也较为符合实际， 则应用回归预测是有效的，否则就很难应用； 注意事项： 为使回归方程较能符合实际， 首先应尽可能定性判断自变量的可能种 类和个数，并在观察事物发展规律的基础上定性判断回归方程的可能类型； 其次， 力求掌握较充分的高质量统计数据， 再运用统计方法， 利用数学工具和相关软件 从定量方面计算或改进定性判断。 回归分析中的几个常用概念： 实际值： 实际观测到的研究对象特征数据值； 理论值：根据实际值我们可以得到一条倾向线， 用数学方法拟合这条曲线， 可以得到数学模型， 根据这个数学模型计算出来的、 与实际值相对应的值， 称为理论值； 预测值：实际上也是根据数学模型计算出来的理论值， 但它是与未来对应的理论 值。 表示符号 ：实际值，用 yi 表示；理论值，用 y?i 表示；预测值，用 y 0 表示。 +++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++ Unary Linear Regression ++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++ 一元线性回归，就是只涉及一个自变量的回归；自变量和因变量之间的关系是线性关系的回归；因变量与自变量之间的关系用一条线性方程来表示的回归。 方法步骤： 确定回归模型： 由于我们研究的是一元线性回归，因此其回归模型可表示为：  y 0 1 x ； 其中，y 是因变量； x 是自变量； 是误差项； 0 和 1 称为模型参数（回归系数）。 求出回归系数： 这里的回归系数的求解， 就要用一定的方法， 使得该系数应用于该方程是 “合理的”。最常用的一种方法就是最小二乘估计法。最小二乘法是测量工作和科学实 验中最常用的一种数据处理方法，其基本原理是，根据实验观测得到的自变量 x 和因变量 y 之间的一组对应关系， 找出一个给定类型的函数 y f ( x ) ，使得它所 取的值 f ( x1 ), f ( x 2 ), ,, , f ( x n ) 与观测值 y1 , y2 , , , yn 在某种尺度下最接近， 即在各 n n 点处的偏差的平方和达到最小，即 ( yi ? 2 ? ? 2最 小 。