回归分析相关定义教学文案.docVIP

回归分析相关定义 精品文档 精品文档 收集于网络，如有侵权请联系管理员删除 收集于网络，如有侵权请联系管理员删除 精品文档 收集于网络，如有侵权请联系管理员删除 回归分析是一类数学模型，特别当因变量和自变量为线性关系时，它是一种特殊的线性模型。最简单的情形是一个自变量和一个因变量，且它们大体上有线性关系，这叫一元线性回归，即模型为Y＝a＋bX＋ε，这里X是自变量，Y是因变量，ε是 随机误差，一般的情形，有k个自变量和一个因变量，因变量的值可以分解为两部分：一部分是由自变量的影响，即表示为自变量的 函数，其中函数形式已知，但含一些未知 参数；另一部分是由于其他未被考虑的因素和 随机性的影响，即随机误差。当函数形式为未知参数的线性函数时，称线性回归分析模型；当函数形式为未知参数的 非线性函数时，称为非线性回归分析模型。 　 相关分析研究的是现象之间是否相关、相关的方向和密切程度，一般不区别自变量或因变量。而回归分析则要分析现象之间相关的具体形式，确定其因果关系，并用数学模型来表现其具体关系。两个变量之间到底是哪个变量受哪个变量的影响，影响程度如何，则需要通过回归分析方法来确定。一般来说，回归分析是通过规定因变量和自变量来确定变量之间的因果关系，建立回归模型，并根据实测数据来求解模型的各个参数，然后评价回归模型是否能够很好的拟合实测数据；如果能够很好的拟合，则可以根据自变量作进一步预测。 R2又称为方程的确定性系数（coefficient of determination），表示方程中变量X对Y的解释程度。R2取值在0到1之间，越接近1，表明方程中X对Y的解释能力越强。通常将R2乘以100％来表示回归方程解释Y变化的百分比。F检验是通过方差分析表输出的，通过显著性水平（significant level）检验回归方程的线性关系是否显著。一般来说，显著性水平在0.05以下，均有意义。 回归分析的步骤 根据预测目标，确定自变量和因变量 　　明确预测的具体目标，也就确定了因变量。如预测具体目标是下一年度的销售量，那么销售量Y就是因变量。通过 市场调查和查阅资料，寻找与预测目标的相关影响因素，即自变量，并从中选出主要的影响因素。 建立回归预测模型 　　依据自变量和因变量的历史统计资料进行计算，在此基础上建立回归分析方程，即回归分析预测模型。 进行相关分析 　　回归分析是对具有因果关系的影响因素（自变量）和预测对象（因变量）所进行的 数理统计分析处理。只有当变量与因变量确实存在某种关系时，建立的回归方程才有意义。因此，作为自变量的因素与作为因变量的预测对象是否有关，相关程度如何，以及判断这种相关程度的把握性多大，就成为进行回归分析必须要解决的问题。进行相关分析，一般要求出相关关系，以 相关系数的大小来判断自变量和因变量的相关的程度。 检验回归预测模型，计算预测误差 　　回归预测模型是否可用于实际预测，取决于对回归预测模型的检验和对预测误差的计算。回归方程只有通过各种检验，且预测误差较小，才能将回归方程作为预测模型进行预测。 计算并确定预测值 利用回归预测模型计算预测值，并对预测值进行综合分析，确定最后的预测值。 三、一元线性回归模型 对于具有线性因果关系的两个变量，由于有随机因素的干扰，两变量的线性关系中应包括随机误差项，即有： （9—3） 对于某一确定的值，其对应的值虽有波动，但在大量观察中随机误差的期望值为零，即=0，因而从平均意义上说，总体线性回归方程为： （9—4） 上式中，是回归直线的截距项，即为0时的值，从数学意义上理解，它表示在没有自变量的影响时，其它各种因素对因变量的平均影响；是回归系数（直线的斜率），表示自变量每变动一个单位时，因变量平均变动个单位。 我们可通过样本观察值计算参数、的估计值，求得参数的估计值后，即求得样本回归方程，用它对总体线性回归方程进行估计。样本回归直线方程又称一元线性回归方程，其表达形式为： (9－5) 式中：表示因变量的估计值（回归理论值）；和是待定参数和的估计值。一元线性回归方程中的待定参数是根据样本数据资料估计确定的。确定回归方程就是要找出与的估计值及，使直线总体看来与所有的散点最接近，即确定最优的与，统计学上常采用最小二乘法（Ordinary least squares estimation,亦称最小平方法）。 设样本回归模型为：