社会统计学- Social- Statistics课件.ppt

二、线性回归 （二）线性回归方程的拟合优度 使用最小二乘法可以给两个变量x与y的任何一组数据拟合一条直线，而不论x与y之间是否存在关系。 图4-8中，圆点数据和三角点数据拟合出的是同一条直线。 可以看出，对于圆点数据，用回归直线进行拟合时产生的误差较小。因此进行回归分析不能只建立回归方程，还要明确回归方程的拟合优度。 第四章 两个尺度变量关系的描述统计第二节 回归分析 * 这个消减误差比例就是回归方程的拟合优度R2,整理计算得： 二、线性回归 （二）线性回归方程的拟合优度 拟合优度根据消减误差比例（PRE）的思想计算。 当其它条件未知时，一般用变量y的均值来猜测每个个案的值，这时产生的总误差为 若利用回归方程来猜测y值，产生的总误差为 与利用进行猜测相比，消减的误差为 所以消减误差比例为： * 二、线性回归 （二）线性回归方程的拟合优度 第四章 两个尺度变量关系的描述统计第二节 回归分析 可见，R2其实就是变量x与y的皮尔逊相关系数的平方。 其值说明回归方程能够减少猜测误差的百分比， 或是自变量能够解释因变量变化的百分比。 R2也被称为判定系数。 例解：对于图4-8中的圆点数据，回归方程的判定系数为0.978，对于三角点数据回归方程的判定系数为0.597。用回归方程来拟合圆点数据有很好的拟合优度，自变量可以解释因变量变化的97.8%。 * 三、非线性回归