线性回归方程的残差分析精编版.pptVIP

曲线估计(curve estimate) (一)目的: 在一元回归分析或时间序列中,因变量与自变量(时间)之间的关系不呈线性关系,但通过适当处理,可以转化为线性模型.可进行曲线估计. 曲线估计(curve estimate) (二)曲线估计的常用模型: (t为时间,也可为某一自变量) y=b0+b1t (线性拟合linear) y=b0+b1t+b2t2 (二次曲线quadratic) y=b0+b1t+b2t2+b3t3 (三次曲线cubic) y=b0*b1t (复合曲线Compound) y=e(b0+b1t) (Growth) y=b0+b1lnt (对数曲线Logarithmic) y=e(b0+b1/t) (S曲线) y=b0eb1t (指数曲线Exponential) y=b0+b1/t (Inverse) y=b0tb1 (乘幂曲线Power) y=1/(1/u+b0*b1t) (Logistic曲线) 幂函数 线性化方法 两端取对数得：log y = log? + ? log x 令：y = logy，x= log x，则y = log? + ? x 基本形式： 图像 0? 1 ? ? 1 ? = 1 -1? 0 ? -1 ? =-1 曲线估计(curve estimate) (三)基本操作步骤 (1)绘制散点图,观察并确定模型. (2)菜单选项: analyze-regression-curve estimation (3) 选择因变量到dependent框 (4) 选择自变量到independent框或选time以时间作自变量 (5)选择模型 (R2最高拟和效果最好) 曲线估计(curve estimate) (四)其他选项 (1)display ANOVA table:方差分析表 (2)plot models:绘制观察值和预测值的对比图. (3)save选项: predicted values:保存预测值. Residual:保存残差值. prediction interval:保存预测值的默认95%的可置信区间. Predict case:以time作自变量进行预测. Predict from estimation period through last case:计算保存所有预测值. Predict through :如果预测周期超过了数据文件的最后一个观测期,选择此项,并输入预测期数. 曲线估计应用举例 利用GDP和通信业务收入的样本数据,建立通信业务收入关于GDP的回归方程 分析移动公司话务价格弹性 * * 一元线性回归方程的检验 (三)回归方程的显著性检验:t检验 (4)计算t统计量的值和相伴概率p (5)判断: 相伴概率=a:拒绝H0,即:回归系数与0有显著差异，自变量与因变量之间存在显著的线性关系,能够较好的解释说明因变量的变化.反之，不能拒绝H0 (6)回归系数的区间估计 一元线性回归方程的检验 (四)回归方程的显著性检验：F检验 (1)目的:检验自变量与因变量之间的线性关系是否显著,是否可用线性模型来表示. (2)H0: β =0 即:回归系数与0无显著差异 (3)利用F检验,构造F统计量: F=平均的回归平方和/平均的剩余平方和~F(1,n-1-1) 如果F值较大，则说明自变量造成的因变量的线性变动远大于随机因素对因变量的影响,自变量于因变量之间的线性关系较显著 (4)计算F统计量的值和相伴概率p (5)判断 p=a:拒绝H0,即:回归系数与0有显著差异，自变量与因变量之间存在显著的线性关系。反之，不能拒绝H0 一元线性回归方程的检验 (五)t检验与F检验的关系 一元回归中,F检验与t检验一致,即: F=t2,两种检验可以相互替代 (六)F统计量和R2值的关系 如果回归方程的拟合优度高，F统计量就越显著。F统计量越显著，回归方程的拟合优度就会越高。 线性回归方程的残差分析 (一)残差序列的正态性检验: 绘制标准化残差的直方图或累计概率图 (二)残差序列的随机性检验 绘制残差和预测值的散点图,应随机分布在经过零的一条直线上下 (三)残差序列的等方差性检验 随机、等方差、独立 随机、异方差、独立 非独立 线性回归方程的残差分析 (四)残差序列独立性检验: 残差序列是否存在后期值与前期值相关的现象,利用D.W(Durbin-Watson)检验 d-w=0:残差序列存在完全正自相关;d-w=4:残差序列存在完全负自相关;0d-w2:残差序列存在某种程度的正自相关;2d-w4:残差序列存在某种程度的负自相关;d-w=2:残差序列不存在自相关. 残差序列不存在自相关,可以认为回归方程基本概括了因变量的变化;否则,认为可能一些与因变量相关的因素