管理统计学第6章 相关与回归.ppt

第六章 相关与回归分析 第一节 相关分析 第二节 一元线性回归分析 相关分析和回归分析有什么用？ 一个国家香烟的消费量与癌症的发病率有关系吗？ 父母的身高是否影响其子女的身高？ 公司股票的市盈率与老总的薪酬有关联吗？ 接受高学历教育的人是否比低学历的人有更高的薪水？…… 现实世界中存在着大量诸如此类的问题，用统计语言来概况，就是两个或者更多个变量之间，是否存在相互关联？进而，存在相关关系的变量间又是如何相互影响的？ 相关分析和回归分析可以用来回答这类问题，它们是研究现象之间相互关系的两种基本方法。本章介绍这两种方法的理论与应用。 6.1 相关分析 客观现象之间的数量依存关系，可以分为： 一种是函数关系; 一种是相关关系。 1）函数关系 是一一对应的确定关系； 当一个或几个变量取一定的值时，另一个变量有确定值与之相对应，我们称这种关系为确定性的函数关系。 可以用数学分析的方法去研究 一般情况下确定性函数关系可表示为 ： y = f (x)， 其中 x 称为自变量， y 称为因变量 一个自变量，各观测点落在一条线上 2）相关关系(correlation) 当一个或几个相互联系的变量取一定数值时，与之相对应的另一变量的值虽然不确定，但它仍按某种规律在一定的范围内变化。变量间的这种相互关系，称为具有不确定性的相关关系。 用相关与回归分析方法研究 这种关系有二个明显特点： 一般可表示为 Y= f（X , u）(u为随机变量) 当变量 x 取某个值时，变量 y 的取值可能有几个 各观测点分布在直线周围 （一个自变量） 函数关系和相关关系，在一定条件下是可以互相转化的 相关分析的作用 特点： 对于特定的总体来说，X和Y的数值是既定的，总体相关系数是客观存在的特定数值。表现为一个常数。 一般不可能直接观测总体的两个变量的全部数值，所以总体相关系数一般是不知道的。 为便于计算，相关系数可用下式计算： 特点： 样本相关系数是根据从总体中抽取的随机样本的观测值计算出来的，是对总体相关系数的估计，它是个随机变量。 为研究美国软饮料公司的广告费用X和销售数量Y的关系，分析7种主要品牌公司的有关数据 (3) 在大多数情况下，X与Y 的样本观测值之间存在着一定的线性关系。即 0｜r｜1 若 r 0 表明X与Y 为正相关; 若 r 0 表明X与Y 为负相关。 (4)当｜r｜=1 时，表明X与Y完全线性相关: 若r = 1，称X与Y完全正相关； 若r = -1，称X与Y完全负相关。 一般标准： 0.8 ｜r｜ 1 ，表示高度相关； 0.5 ｜r｜≤ 0.8 ，表示中度相关； 0.3 ｜r｜≤ 0.5 ，表示低度相关； 0 ｜r｜≤ 0.3 ，表示相关关系很弱，基本可以认为没有线性相关关系。 相关系数(取值及其意义) 注意：相关关系≠因果关系！ 典型的错误推断： 统计分析表明，庆祝生日次数越多的人越长寿。因此，庆祝生日有利于健康。 调查表明，世界各国人均电视机拥有量与预期寿命存在很强的正相关性。因此，电视机拥有量越高，预期寿命越长。 对小学各年级学生的抽样调查表明，学生的识字水平与他们鞋子的尺寸高度正相关。因此，学生穿的鞋越大，他的识字水平就越高。 检验的依据： 如果X和Y都服从正态分布，在总体相关系 数 ρ=0的假设下，与样本相关系数 r 有关的 t 统计量服从自由度为n-2的 t 分布： 显著性水平和拒绝域(双侧检验) 相关系数的检验方法 1）提出原假设和备择假设 H0：ρ=0 （原假设） H1：ρ≠0 （备择假设） 2）计算t 统计量; 3）给定显著性水平α,查自由度为 n-2 的临界值tα/2 ; 4) 若｜t｜≥tα/2 ，表明相关系数 r 在统计上是显著的，应否 定ρ=0 ，而接受ρ≠0 的假设； 5）反之，若｜t｜tα/2 ，表明相关系数 r 在统计上是不显著 的，应接受ρ=0 的假设。 例题：某产品广告费用和销售额