统计学 第六章 相关分析与回归分析.pptVIP

4.相关系数的计算 五、相关系数的显著性检验 1、检验两个变量之间是否存在线性相关关系 2、采用 t 检验 3、检验的步骤为 提出假设：H0：? ? ? ；H1： ? ? 0 相关系数的显著性检验（实例） ? 对前例计算的相关系数进行显著性检(??0.05) 提出假设：H0：? ? ? ；H1： ? ? 0 计算检验的统计量 回归模型的类型 二、一元线性回归模型 （概念要点） 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，可以用一条线性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。 标准的一元线性回归模型 (一)总体回归函数 　 Ｙt＝β0＋β1Ｘt＋ut　　 u t是随机误差项，又称随机干扰项，它是一个特殊的随机变量，反映未列入方程式的其他各种因素对Ｙ的影响。 (二)样本回归函数: 　　 　　　　　 （ｔ＝１，２，... n) ｅt称为残差，在概念上，ｅt与总体误差项ut相互对应；ｎ是样本的容量。 一元线性回归模型 （概念要点） 对于只涉及一个自变量的简单线性回归模型可表示为:　 yt = b0 + b1 x + et 模型中，y 是 x 的线性函数(部分)加上误差项 线性部分反映了由于 x 的变化而引起的 y 的变化 误差项 ?t 是随机变量 反映了除 x 和 y 之间的线性关系之外的随机因素对 y 的影响 是不能由 x 和 y 之间的线性关系所解释的变异性 ?0 和 ?1 称为模型的参数 样本回归函数与总体回归函数区别 1、总体回归线是未知的，只有一条。样本回归线是根据样本数据拟合的，每抽取一组样本，便可以拟合一条样本回归线。 2、总体回归函数中的β1和β2是未知的参数，表现为常数。而样本回归函数中的 　是随机变量，其具体数值随所抽取的样本观测值不同而变动。 3、总体回归函数中的ut是Ｙt与未知的总体回归线之间的纵向距离，它是不可直接观测的。而样本回归函数中的ｅt是Ｙt与样本回归线之间的纵向距离，当根据样本观测值拟合出样本回归线之后，可以计算出ｅt的具体数值。 （三）误差项的基本标准假定 误差项ut是一个期望值为0的随机变量，即E(ut)=0。对于一个给定的 x 值，y 的期望值为E ( yt ) =? 0+ ? 1 xt 对于所有的 x 值，ut的方差σ2 都相同 误差项ut是一个服从正态分布的随机变量，且相互独立。即u~N( 0 ,σ2 ) 独立性意味着对于一个特定的 x值，它所对应的u与其他 x 值所对应的u不相关 对于一个特定的 x 值，它所对应的 yt值与其他 xt所对应的 y 值也不相关 总体回归线与随机误差项 （四）回归方程 （概念要点） 描述 y 的平均值或期望值如何依赖于 x 的方程称为回归方程。 简单线性回归方程的形式如下 E( y ) = ?0+ ?1 x 估计(经验)的回归方程 参数 ?0 和 ?1 的最小二乘法估计 (一)回归参数的点估计最小二乘法 最小二乘法（图示） 3、回归系数的估计的最小二乘法公式 设 　将Ｑ对求偏导数，并令其等于零，可得: 加以整理后有： 　　　 最小二乘法 （ 和 的计算公式） 例：现以前例的资料配合回归直线，计算如下： 估计方程的求法（Excel的输出结果） （二）估计标准误差 Sy 实际观察值与回归估计值离差平方和的均方根。 反映实际观察值在回归直线周围的分散状况。 从另一个角度说明了回归直线的拟合程度。 计算公式为 补充:总体方差的估计 　　　　 上式中，分母是自由度，其中ｎ是样本观测值的个数，２是一元线性回归方程中回归系数的个数。在一元线性回归模型中，残差ｅt必须满足 因而失去了两个自由度，所以其自由度为ｎ－２。 　Ｓ2的正平方根又叫做回归估计的标准误差。 残差平方和计算 可得简化式： （三）回归系数的区间估计 回归系数的区间估计，见P194-195 了解即可 四、一元线性回归模型的检验 （一） 回归模型检验的种类 回归模型的检验包括理论意义检验、一级检验和二级检验。 （二）拟合程度（又称拟合优度）的评价 所谓拟合程度，是指样本观测值聚集在样本回归线周围的紧密程度。判断回归模型拟合程度优劣最常用的数量尺度是样本决定系数（又称决定系数）。它是建立在对总离差平方和进行分解的基础之上的。 1.判定系数：总离差平方和的分解 ⑴因变量