经济管理数学第5章概率统计与其应用.pptVIP

(2)回归分析的主要任务 回归分析的任务就是根据变量x与y的样本点(xi,yi)，寻求并检验变量之间相关关系的回归函数，从而运用这个函数（经验公式）达到预测或控制的目的. 5.7.2 一元线性回归方程的建立 (1)一元回归直线 若已知变量x与y之间存在某种相关关系，为了研究它们的具体关系，其中最简单的方法是通过样本观测值(xi，yi)(i=１，２，…，n)做出散点图，看散点图中的散点是否大致分布在一条直线上，如散点几乎分布在一条直线上，就用一直线方程y=a+bx来近似地描述变量y与x的相关关系，这就是线性回归直线. (2)回归直线方程的建立 设x与y是两个具有相关关系的变量，采用独立试验的方法，对一个容量为n的样本观测值：(x1，y1)，(x2，y2)，…，(xn，yn)，如何求出其回归直线方程，即如何确定 =a+bx中的a与b？ 所求的回归直线方程，自然希望它尽可能地靠近每一个样本点(xi，yi)，显然这样的直线有一个显著的特点：“对于所有xi，观测值yi与回归值 的偏离达到最小.” 当x=xi时，y的观测值为yi，而其回归值为 =a+ bxi，所以在xi处观测值yi与回归值 的离差为 如图5.19所示. 为避免其离差的相互抵消，采用离差平方和 来刻画(xi，yi)与直线y=a+bx的偏离程度，一般所说的回归直线就是使Q为最小的直线.使Q(a，b)达到最小值的a与b的估计值 与 ，就是所需要的回归直线的截距与斜率，因此，求回归直线问题便转化为求Q取最小值的a与b的问题. 根据微积分学求极值的原理，当Q(a，b)可微时，有 这是关于a，b的二元线性方程组，解之得 显然，(5.51)式中的( ， )就是使Q(a，b)达到最小值的(a，b)值，于是所求的线性回归方程就是 为便于记忆求回归系数 的公式，引入以下记号 此时 5.7.3 相关程度的检验 (1)相关系数 定义5.25 称统计量 为样本相关系数. (2)相关系数的显著性检验 人们根据统计量r的概率性质，编制出了r的临界值表，即附录Ⅱ表6，表中的数据就刻画了|r|与１的接近程度，具体检验步骤如下： 1)提出假设H0：b=0. 2)给出显著性水平 ，查自由度为(n-２)的相关系数表(即附录Ⅱ表6)得临界值rα(n-2). 3) 计算相关系数r的实现值r0. 4) 比较 的大小, 若 则x与y线性相关显著，即 有意义；若 则x与y线性相关不显著，或x与y不存在线性关系，即 无意义.其直观意义，见图5.20. 5.7.4 线性回归分析的应用 (1)回归预测 图5.20 如果回归直线配制较好，就可以用它来作变量的预测，对任一给定的x0相应的y0一般是以回归直线上的对应值 为中心的服从正态分布的随机变量.设这个随机变量y的方差为σ2，则 此式表明，当x=x0时，对应的y值以0.95的概率落入区间 这个区间称为y的0.95预测区间， 称为y的点预测值. y的方差往往是未知的，但可以证明，它的方差近似为 其中 用Sy代替σ，则对给定的x0，概率为0.95的y0的预测区间为 一般为方便起见，近似地取1.96为2，则上述区间近似为 由于x取值是变的，因此y的预测区间上、下限是平行于回归直线的两条直线: 如图5.21所示 (2)回归控制 如果希望y落在区间(y1， y2)内，则x取值区间可由图5.21中直线L1L2对应的关系所确定，设 解出x1，x2，则 当 ＞０时，控制区间为(x1， x2); 当 ＜０时，控制区间为(x2， x1). 但必须注意：只有当(y2-y1)＞4Sy时，所求控制区间才有意义. 图5.21 5.7.5 线性回归直线的简便求法 (1)平均值法 用平均值法来求线性回归直线方程 =a+bx中的系数a和b.其具体做法是： 第一步,将n组数据(xi，yi)分别代入回归方程 = a+bx ； 第二步,把这n个方程均分为两组（分的组数等于欲求未知数的个数）； 第三步,把每组内的方程分别相加，得到一个二元一次联立方程组； 第四步,解以上二元一次联立方程组，得系数a和b，即得所求线性回归直线方程 =a+bx. (2)紧绳法 这种方法是将组数据所成的散点描在