回归阐述法培训教程.pptVIP

回归分析法培训教材;回归分析 从各种事物之间的因果关系出发，通过对与研究对象有联系的事物与现象的变化趋势进行分析，在此基础上预测研究对象未来数量状态的一种方法。 回归分析的主要内容是： 1.从一组数据出发，确定这些变量（参数）间的定量关系（回归模型）； 2.对模型的可信度进行统计检验； 3.从有关的许多变量中，判断变量的显著性（即哪些是显著的，哪些不是，显著的保留，不显著的忽略）； 4.应用结果是对实际问题作出的判断 ;回归分析概述;回归分析法的应用步骤 （1）根据对客观现象的定性认识确定变量之间是否存在相关关系； （2）判断相关关系的大致类型； （3）绘制散点图，并初步推测回归模型； （4）进行回归分析并拟合出回归模型； （5）对回归模型的可信度进行检验； （6）运用模型进行预测。;一元线性回归模型 式中：yi ---第i组的预测目标，称为因变量； --- yi 的估计值； xi ---第i组可以控制或预先给定的影响因素，称为自变量； a，b---回归模型参数，即a表示截距，b表示斜率； ei---第i组随机误差项，呈正态分布。 ;确定模型参数（最小二乘法） （1）求离差平方和： （2）由微积分的极值原理，分别对a和b求一阶偏导数，并令其等于零： ; （3）求解出回归参数a和b： ;一元线性回归分析法;一元线性回归分析法;一元线性回归分析法;一元线性回归分析法;一元线性回归分析法;一元线性回归分析法;一元线性回归分析法;多元线性回归模型 式中：yi ---第i组的预测目标，称为因变量； --- yi 的估计值； xi ---第i组可以控制或预先给定的影响因素，称为自变量； b0，bi---回归模型参数，即b0表示回归常数，bi表示回归系数； ei---回归余项，实际观测值与回归估计值之间的离差，呈正态分布。 ;确定模型参数（最小二乘法） （1）求离差平方和： （2）由微积分的极值原理，分别对b0、 b1、 b2、 … bi、求一阶偏导数，并令其等于零，然后求解含有k-1个未知参数的线性方程组得出参数估计值。 ;多元线性回归分析法;多元线性回归分析法;多元线性回归分析法;多元线性回归分析法;①明确预测目的，即预测要解决什么问题，包括弄清预测对象及可以定量描述它的指标，在本例中，预测对象是某地区的蔬菜需求量； ②选择合适的自变量，根据对相关自变量（即对销售量影响的因素）的显著性影响的评价，确定三个自变量：人口数、蔬菜年平均价格、副食品年人均消费量； ③ 根据相关判断建立三元线性回归模型，并计算三元线性回归模型的相关数据，填入表5-4中； ④建立三元线性回归方程：; ;⑤回归检验。 1）R检验。相关系数计算如表5–5所示，将相关数据代入R中： ，相关系数R为0.9323，表明自变量与因变量之间高度正相关；三元线性回归方程可以用于对蔬菜未来的需求量进行预测。 ;2）F检验（回归方程显著性检验）。 若以显著性水平a＝0.05，查自由度为3，6的F分布临界值表，得临界值Fa＝4.76。因为F＞Fa，所以F检验通过。 ⑥确定预测值。若根据科学方法测算，2009年时消费人口达到570万，蔬菜年平均 价格为14.5角，副食年人均消费量为52.5千克，那么2009年的蔬菜消费量可以预测为： ;多元线性回归分析法;非线性回归分析法;非线性回归分析法;非线性回归分析法;非线性回归分析法;非线性回归分析法;非线性回归分析法;非线性回归分析法;非线性回归分析法;本章小结;