回归分析PowerPoint 演示文稿.ppt

第十二章 回归分析 ;1. P370-1 4. P380-20 2. P372-7 5. P388-28 3. P380-18 6. P393-35;案例讨论： 1.这个案例都告诉了我们哪些信息？ 2.通过阅读这个案例你受到哪些启发？; 根据一个变量（或更多变量）来估计某一变量的方法，统计上称为回归分析（Regression analysis）。 回归分析中，待估计的变量称为因变量（Dependent variables），用y表示；用来估计因变量的变量称为自变量（Independent variables），用x表示。 ;第一节 简单线性回归模型 ;一、从一个实际问题入手;飞机运行成本;为了减少自变量个数，我们做如下假定： 飞机类别——波音737飞机 飞行距离——500公里 航线——可比，而且在每年的相同季节 在这种条件下，可以用乘客数来预测飞行的成本吗？; 表12-1是每年相同季节波音737飞机在12条500公里的不同航线不同乘客数时的飞行成本。我们用这些数据以乘客数作为自变量构造模型来预测成本。 ;;二、回归模型和回归方程; 在有关 假设中，有一个假设就是的期望值或均值等于0，即 ;在简单线性回归中 1.回归方程的图形是一条直线（如图12.1所示）； ;;2. ： 的截距； ;;;三、估计回归方程 ;;第二节 最小平方法 ;（一）画散点图，以初步观察成本与乘客数量之间是否呈回归直线。 ;（二）建立估计回归方程 ;(三)估计回归方程斜率和截距的计算公式 ;;;; （四）将 和 的计算结果代入式（12.5）有： ;**Y = 4.48千元二者差0.061千元或61元。 ;第三节 一元线性回归方程的评价;一、测定系数 回归直线与各观测数据的接近程度称为回归直线的拟合优度。 度量回归直线的拟合优度最常用的指标是测定系数，（又称可决系数、判定系数）。 该指标是建立在对总离差平方和进行分解的基础之上的。 ;离差分解图;离差平方和的分解;决定系数的取值;（一）残差 残差（Residual error）是因变量的观察值y和因变量的估计值 之间的偏差。 ;表12-3 残差计算表;（二）误差平方和 ;（三）总离差平方和;（四）回归平方和 ;例如；飞行成本案例中各种有关数据计算如下;由表12-4计算结果可知， SSE = 0.31434， SSR = 2.79775， SST = 3.11209， 则 ; ??就是说，在一条商业航线上一架波音737飞机飞行成本的方差中有89.9%可以被乘客数目说明或预测，换句话说，飞行成本Y的方差中不能由X或回归方程解释的有10.1%。 ;二、估计标准误;在飞行成本的案例中： sse=0.31414 n=12;三、利用测定系数计算相关系数; 计算结果表明，波音737飞机在相同季节12条航线上，乘客数量与运行成本之间存在线性高度的正相关关系。 ;●测定系数与相关系数的联系与区别 ;第四节 模型假定 ; 要确定假定模型是否恰当，就需要进行显著性检验。 显著性检验建立在以下有关假定的基础上： ; (2)对于所有 值，误差项 的方差（ ）相等，即 ;（4）误差项 是一个服从正态分布的随机变量 ;第五节 回归分析中的显著性检验 ;一、单个回归系数显著性的t检验;（12.23）;第3步：计算检验统计量的样本观测值。 第4步：进行决策： 根据显著性水平a和自由度df＝n－2确定检验统计量的临界值， ? t?t???时拒绝H0； ;例如，已知在飞行成本的例子中， ;查表 （P453）= ; 由于t = 9.43 ，表明t值落在拒绝域。因此，总体斜率 的假设被拒绝，说明X与Y之间线性关系是显著的。 即12条航线上，波音737飞机在飞行500公里和其他条件相同情况下，其乘客数量与飞行成本之间的线性关系是显著的。 ;单个回归系数的显著性检验的几点说明;第1步：提出假设。在一元回归为 第2步：确定检验统计量： ; MSE：均方误差（Mean square error）是残差平方和（SSE）除以自由度（n-2）所得的一个平均数，它是残差项方差的一个无偏估计量。 ;例如，在飞行成本的例子中 SSE=0.31434，(n-2)=(12-2)=10， 则;MSR：均方回归（Mean square regression）是回归平方和（SSR）除以它的自由度所得的平均数。;