预测与决策教程Chap3-回归预测方法.pptVIP

例题分析 身高（米） 1.55 1.60 1.65 1.67 1.7 1.75 1.80 1.82 体重（公斤） 50 52 57 56 60 65 62 70 试计算： （1）拟合适当的回归方程； （2）判断拟合优度情况； （3）对模型进行显著性检验；（α=0.05） （4）当体重为75公斤时，求其身高平均值的95%的置信区间。 已知身高与体重的资料如下表： 解答： （1）n=8，经计算得： 因此： 因此，建立的一元线性回归方程为： （2） 回归直线的拟合优度不是很理想 。 （3） 所以拒绝原假设，认为所建立的线性回归模型是显著的。 （4） 8.4 变量间非线性关系的回归 一些常用的可化为线性方程的函数类型 双曲线 b0 b0 x x y y 幂函数 a＞0 b＞0 x y b1 b=1 b1 b＞0 b0 x x y y 指数函数 对数曲线 多项式 曲线模型的判别方法： 理论和经验判断； 观察散点图 3.3 多元线性回归预测法 社会经济现象的变化往往受到多个因素的影响，因此，一般要进行多元回归分析，研究某一因变量与多个自变量之间相互关系的理论和方法就是多元线性回归预测法。 选择合适的自变量是正确进行多元回归预测的前提之一，多元回归模型自变量的选择可以利用变量之间的相关矩阵来解决。 一、多元线性回归模型 参数估计 多元回归与一元回归类似，可以用最小二乘法估计模型参数。也需对模型及模型参数进行统计检验。 二、多元线性回归模型的显著性检验 1.模型拟合优度的检验 多重判定系数 为了消除自变量数目的影响，采用一个经过校正的判定系数来判断模型的拟合优度 越接近于1，则说明模型的拟合程度越高。 2．回归方程的显著性检验 3.回归系数的显著性检验 三、多元线性回归预测 点预测值 预测区间 四、多元线性回归分析中的多重共线性 所谓多重共线性是指自变量之间存在着线性关系或接近线性的关系。如果自变量之间共线性的程度很高（相关系数接近于1），将使最小二乘法原理失效，从而使得回归方程中参数变得不确定从而无法求出参数的估计值。因此自变量之间不能存在线性相关关系是应用最小二乘法原理的先决条件。 检验多重共线性的方法 常用的克服多重共线性的方法 （1）省略不重要的自变量。 （2）改变变量的定义形式。 （3）增加样本信息或利用已知信息。 （4）构造新的自变量。 （5）放弃原有样本，寻求新的样本。 五、多元线性回归分析中的序列相关 1．图示检验法 2.德宾—沃森统计量（D—W） D—W的取值域在0~4之间。 其中， 检验法则： 在D—W小于等于2时， D—W检验法则规定： 如 认为， 存在正自相关； 如 认为， 无自相关。 在D—W大于2时, D—W检验法则规定: 如 认为， 存在负自相关； 如 认为， 无自相关； 如 ，不能确定 是否有自相关； 西安电子科技大学经济管理学院 预测与决策教程 第3章 回归预测方法 相关分析与回归预测 一元线性回归预测 多元线性回归预测 非线性回归预测 第三章 回归预测法 8.1 简单线性相关分析 一、变量之间的关系 确定性关系、非确定性关系 1.确定性关系（函数关系）：变量之间依一定的函数形成的一一对应关系，若两个变量分别记做Y与X，则当Y与X之间存在函数关系时，X值一旦被指定，Y值就是唯一确定的。 2.非确定性关系（相关关系）：两个变量之间存在某种关系，但变量Y并不是由变量X唯一确定的，它们之间没有严格的一一对应关系。 3.1相关分析与回归分析 两个变量之间若存在线性关系称为线性相关，存在非线性关系称为曲线相关，通常通过适当的变量变换，曲线相关可转换为线性相关。 确定性关系 身高和体重 相关关系 　　相关关系的特征是:变量之间的关系很难用一 种精确的方法表示出来. 3.相关的种类 （1）按相关的程度分为完全相关、不完全相关和不相关。 两个依存关系的变量，其中一个变量的数量变化完全由另一个变量的数量变化所确定，则称完全相关，也称函数关系。 两个变量彼此互不影响，其数量变化各自独立，称为不相关。 两个变量之间的关系，介乎完全相关与不相关之间称不完全相关。 （2）按相关的方向分为正相关和负相关 正相关指相关关系表现为变量的数量变动方向一致。