第2章一元线性回归.pptVIP

2.4 回归方程的显著性检验 四、相关系数的显著性检验 2.4 回归方程的显著性检验 四、相关系数的显著性检验 附表1 相关系数ρ=0的临界值表 n-2 5% 1% n-2 5% 1% n-2 5% 1% 1 0.997 1.000 16 0.468 0.590 35 0.325 0.418 2 0.950 0.990 17 0.456 0.575 40 0.304 0.393 3 0.878 0.959 18 0.444 0.561 45 0.288 0.372 4 0.811 0.947 19 0.433 0.549 50 0.273 0.354 5 0.754 0.874 20 0.423 0.537 60 0.250 0.325 6 0.707 0.834 21 0.413 0.526 70 0.232 0.302 7 0.666 0.798 22 0.404 0.515 80 0.217 0.283 8 0.632 0.765 23 0.396 0.505 90 0.205 0.267 9 0.602 0.735 24 0.388 0.496 100 0.195 0.254 10 0.576 0.708 25 0.381 0.487 125 0.174 0.228 11 0.553 0.684 26 0.374 0.478 150 0.159 0.208 12 0.532 0.661 27 0.367 0.470 200 0.138 0.181 13 0.514 0.641 28 0.361 0.463 300 0.113 0.148 14 0.497 0.623 29 0.355 0.456 400 0.098 0.128 15 0.482 0.606 30 0.349 0.449 1000 0.062 0.081 2.4 回归方程的显著性检验 四、相关系数的显著性检验 用SPSS软件做相关系数的显著性检验 2.4 回归方程的显著性检验 四、相关系数的显著性检验 两变量间相关程度的强弱分为以下几个等级： 当|r|≥0.8时，视为高度相关； 当0.5≤|r|＜ 0.8时，视为中度相关； 当0.3≤|r|＜ 0.5时，视为低度相关； 当|r|＜ 0.3时，表明两个变量之间的相关程度极弱， 在实际应用中可视为不相关。 2.4 回归方程的显著性检验 五、三种检验的关系 H0: b=0 H0: r=0 H0: 回归无效 2.4 回归方程的显著性检验 六、样本决定系数 可以证明 2.5 残差分析 一、残差概念与残差图 残差 误差项 残差ei是误差项ei的估计值。 2.5 残差分析 一、残差概念与残差图 2.5 残差分析 一、残差概念与残差图 图 2.6 火灾损失数据残差图 2.5 残差分析 二、残差的性质 性质1 E (ei)=0 证明: 2.5 残差分析 二、残差的性质 性质2 其中 称为杠杆值 2.5 残差分析 二、残差的性质 2.5 残差分析 二、残差的性质 性质3. 残差满足约束条件: 第2章 一元线性回归 2 .1 一元线性回归模型 2 .2 参数β0、β1的估计 2 .3 最小二乘估计的性质 2 .4 回归方程的显著性检验 2 .5 残差分析 2 .6 回归系数的区间估计 2 .7 预测和控制 2 .8 本章小结与评注 2 .1 一元线性回归模型 例2 .1 表2.1列出了15起火灾事故的损失及火灾发生地与最近的消防站的距离。 表2.1 火灾损失表 2 .1 一元线性回归模型 例2.2 全国人均消费金额记作y(元); 人均国民收入记为x(元) 表2.2 人均国民收入表 2 .1 一元线性回归模型 一元线性回归模型 y=β0+β1x+ε 回归方程 E（y|x）=β0+β1x 2 .1 一元线性回归模型 样本模型 yi=β0+β1xi+εi, i=1,2,…,n 回归方程 E(yi)=β0+β1xi ,var(yi)=σ2， 样本观测值(x1,y1),(x2,y2),…,(xn,yn) 经验回归方程 2 .2 参数β0、β1的估计 一、普通最小二乘估计 (Ordinary Least Square Estimation,简记为OLSE) 最小二乘法就是寻找参数β0、β1的估计值使离差平方和达极小 称为yi的回归拟合值,简称回归值或拟合值 称为yi的残差