统计学相关与回归分析.pptVIP

第六章 相关分析与回归分析 本章内容 第一节 相关分析 第二节 一元线性回归分析 第一节 相关分析 本节内容 一、相关关系的概念 二、相关关系的种类 三、相关关系的测定 四、相关分析中应注意的问题 二、相关关系的种类 1. 按相关的程度可分为完全相关、不完全相关和不相关 完全相关：当一个变量的变化完全由另一个变量所决定时，称变量间的这种关系为为完全相关关系，这种严格的依存关系实际上就是函数关系。 不相关：当两个变量的变化相互独立、互不影响时，称这两个变量不相关（或零相关）。 不完全相关：当变量之间存在不严格的依存关系时，称为不完全相关。不完全相关关系是现实当中相关关系的主要表现形式，是相关分析的主要研究对象。 三、相关关系的测定 注意：并非所有的变量之间都存在相关关系，因此需要用相关分析方法来识别和判断。 相关分析就是借助于图表和分析指标对变量之间的依存关系的密切程度进行测定的过程。 四、相关分析中应注意的问题 （一）相关系数是说明线性联系程度的，相关系数很小的变量间可能存在非线性联系。 （二）相关系数不能解释两变量间的因果关系，警惕虚假相关导致的错误结论。 有人曾对教师工资提高和酒价上涨的数据计算相关系数，得到的数值比较大，这是否表明教师工资提高导致酒的消费量增加，从而导致酒价上涨呢？经定性分析，事实是由于经济繁荣导致政府普遍增加工资，其中教师工资也随之增加，同时人们收入提高增加了酒的消费导致酒价的上涨，而教师工资增长和酒价之间并没有什么直接关系。 （三）不要在相关关系据以成立的数据范围以外，推论这种相关关系仍然保持。 第二节 一元线性回归分析 本节内容： 一、回归分析的概念及种类 二、一元线性回归模型 三、回归估计标标准误差 四、可线性化的常用曲线类型 一、回归分析的概念 1、什么是回归分析 “回归”一词是由英国生物学家F.Galton在研究人体身高的遗传问题时首先提出的。 2、相关分析与回归分析的关系 相关分析是回归分析的基础和前提，回归分析则是相关分析的深入和继续。 相关分析需要依靠回归分析来表现变量之间数量相关的具体形式，而回归分析则需要依靠相关分析来表现变量之间数量变化的相关程度。 只有当变量之间存在高度相关时，进行回归分析寻求其相关的具体形式才有意义。 三、回归估计标准误差 回归方程的一个重要作用在于根据自变量的已知值估计因变量的理论值（估计值）。而理论值yc与实际值y存在着差距，这就产生了推算结果的准确性问题。如果差距小，说明推算结果的准确性高；反之，则低。 为了度量y的实际水平和估计值离差的一般水平，可计算估计标准误差。 估计标准误差是衡量回归直线代表性大小的统计分析指标，它说明观察值围绕着回归直线的变化程度或分散程度。 四、可线性化的常用曲线类型(略） （一）指数函数 （二）幂函数 （三）双曲线函数 （四）对数函数 （五）S形曲线 二者的区别： (1) 相关分析中变量之间的关系是对等的；回归分析中，变量之间的关系是不对等的，将变量划分自变量和因变量。 (2) 相关分析中变量都必须是随机变量；回归分析中，自变量是给定的，因变量是随机的。 (3)相关分析主要是通过一个指标即相关系数来反映变量之间相关程度的大小，相关系数是惟一的。而在回归分析中，对于互为因果的两个变量 ，则有可能存在两个或多个回归方程。 3、回归分析的种类 一个自变量 两个及两个以上自变量 回归模型 多元回归 一元回归 线性回归 非线性回归 线性回归 非线性回归 4、回归分析步骤： 首先对变量之间的关系进行相关分析，并将变量分为自变量和因变量； 其次，找出合适的回归模型（即数学方程式），描述变量间的关系； 再次，对回归模型进行统计检验； 最后，统计检验通过后，利用回归模型，根据自变量去估计、预测因变量。 本节仅讨论一元线性回归分析。 二、一元线性回归模型 如果变量x和y相关，并且从相关图表中可以看出它们之间大致形成一种直线关系，我们就可在相关图上求出一条与各点最相配合的直线。 y=a+bx+? ? 式中x为自变量，通常由研究者事先选定数值。 a为样本回归直线在y轴上的截距； b为样本回归直线的斜率（又称回归系数），它表示当x增加一个单位时y的平均增加数量；?为误差项。 当只涉及一个自变量时称为一元回归，若因变量 y与自变量x之间为线性关系时称为一元线性回归。 对于具有线性关系的两个变量，可以用一条直线方程来表示它们之间的关系。 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。 一元线性回归概念要点 在回归分析中，欲使所求回归直线 y=a+bx最适合于实际资料，必须使每个xi对应的指标实测