人大《统计学》第十章 相关与回归.pptVIP

§3.1 均值预测 解：点预测： 给定的显著性水平为0.05时， ，因此区间预测为： * §3.2 个值预测 点预测公式： 区间估计公式： * §3.2 个值预测 【例10．9 】使用产品销售额和广告投入额的数据，给定X=8计算个值预测的点预测和显著性水平0.05下的区间预测。 * §3.2 个值预测 解： 点预测： 给定的显著性水平为0.05时， ，因此区间预测为： * §4 Logistic回归 §4.1 引入Logistic回归 §4.2 Logistic回归建模 §4.3 Logistic回归的系数检验 * §4.1 引入Logistic回归 假设使用普通回归进行建模存在的问题： 又因为响应变量Y是二分类变量，则 因此Yi是服从概率为 的伯努利分布。于是得到 * （i=1,2,…,n） §4.2 Logistic回归建模 机会比 Odd=p/(1-p) 机会比表明了一个事情成功的概率之于不成功的概率 Logistic回归 在对数机会比和自变量之间建立线性回归关系 logit变换 从p到log(p/(1-p))的变换 * §4.1 引入Logistic回归 【例】：考虑这样一组数据，其中自变量是收入和因变量是是否为研究生学历。 以收入为自变量，研究生学历为因变量绘制X和Y的散点图 * 收入 研究生学历 图10-3 收入和研究生学历变量的散点图 §4.1 引入Logistic回归 对收入变量分组，考虑每组内的响应变量的分布情况后的散点图： 用logistic曲线来拟合P(Y=1) （图10-4中S形曲线），即： * 图10-4 分组后收入和研究生学历变量的散点图 §4.2 Logistic回归建模 Logit曲线公式 经过变换得到： * §4.2 Logistic回归建模 Logistic回归其本质上是一个非线性的回归方程，其求解是通过极大似然方法进行的。其参数估计值为使得（对数）似然函数最大的值。迭代过程得到的信息矩阵的逆矩阵的对角元素的开方为参数估计值的标准误。极大似然估计的参数值具有一致性、渐进有效性和渐进正态性的优良性质。 * §4.2 Logistic回归建模 首先要写出似然函数。 由Yi是服从概率为pi的伯努利分布以及根据样本点之间相互独立就可以写出似然函数为： * §4.2 Logistic回归建模 对似然函数取对数得到对数似然函数为： * §4.2 Logistic回归建模 求使得对数似然方程最大的 的参数值。由于没有解析解，因此要根据Newton-Rhphson或改进的数值解法进行求解，得到参数的估计值和渐进方差。这里给出SPSS的输出结果。 因此，我们估计出来的Logistic回归方程为： * §4.2 Logistic回归建模 Logistic回归系数的解释: 因变量实际上是log机会比。因此系数的含义为其它变量不变时，自变量Xi每增加一个单位，log机会比的变化为 ，即其它变量不变时，自变量Xi每增加一个单位，机会比增加 * §4.3 Logistic回归的系数检验 在大样本条件下，极大似然估计具有一致性、渐进有效性和渐进正态性。因此对系数的检验可以使用Wald检验：在大样本的条件下， 或者 * §4.3 Logistic回归的系数检验 原假设H0: =0，在备择假设为H1:　 ，H1: ， H1: 时，拒绝域分别为 ， 　　 和 。 同时可以推出 的100（1- ）%的置信区间为 ；机会比O的（1- ）%的置信区间为 。 * 谢 谢 ！ * §2.3 一元线性回归模型的拟合 普通最小二乘估计量的性质： 1. 运用普通最小二乘估计量得出的样本回归线经过样本均值点，即： 2. 残差的均值为0，即： 3. 残差和解释变量不相关，即： * §2.4 回归系数的推断 假设检验所需经典线性回归模型假设： 假定1：自变量X和误差项 不相关，即 。 假定2：误差项 的均值为0， 。 假定3：同方差假定：