本科《统计学》教材配套PPT课件.ppt

一、 回归分析概述 （1） 相关分析研究变量之间的依存关系，这些变量相互对应，不分主与从或因与果，各变量必须都是随机的。回归分析却是在控制或给定一个或几个变量条件下来观察对应的某一变量的变化。给定的变量称为自变量，不是随机变量；被观察的对应的变量称为因变量，是随机变量。因此，回归分析必须根据研究的目的和对象的性质确定哪个是自变量，哪个是因变量。 （三） 回归分析与相关分析的联系与区别 2. 回归分析与相关分析的区别 一、 回归分析概述 （2） 相关分析主要是测定变量之间关系的密切程度和变量变化的方向，不能估计推算具体数值。而回归分析则可以通过对具有相关关系的变量建立一个数学方程（回归模型）来描述变量之间具体的变动关系，用自变量数值推算因变量的估计值。 （三） 回归分析与相关分析的联系与区别 2. 回归分析与相关分析的区别 二、 一元线性回归模型 一元线性回归模型反映一个自变量与一个因变量之间的线性关系。总体一元线性回归模型用公式表示如下： y=α+βx+ε 式中，x是自变量；y是因变量；α和β是模型的参数；ε是随机误差项。 可见，y是由线性函数α+βx和误差项ε两部分组成的。线性函数α+βx是y的数学期望，即对应于x的某一取值时y的平均值。误差项ε是随机变量，反映的是未列入方程式的其他各种因素对y的影响。 （一） 总体回归模型 二、 一元线性回归模型 分析人员对这一模型需要做出如下假设： （1） 变量x和变量y之间具有线性关系。 （2） 自变量x的取值是非随机的。 （3） 误差项ε是一个期望值为0的随机变量，即E(ε)=0。由于模型中的α和β都是常数，它们的数学期望就是α和β。所以，对于一个给定的x值，y的期望值为E（y）=α+βx。 （一） 总体回归模型 二、 一元线性回归模型 （一） 总体回归模型 分析人员对这一模型需要做出如下假设： （4） 对于所有x的取值，ε的方差 都相同，即 =σ2。 （5） 误差项ε是一个服从正态分布的随机变量且相互独立，即ε~N（0，σ2）。独立性意味着对于一个特定的x值，它所对应的ε与其他x值所对应的ε不相关。因此，对于一个特定的x值，它所对应的y值与其他x所对应的y值也不相关。 二、 一元线性回归模型 根据以上假设，y应该服从期望值为α+βx、方差为σ2的正态分布；对于给定的每个x值，虽然y的取值可能不同，但是y的期望值却是相同的。于是，得到下面的公式： E（y）=α+βx 该式被称为总体的回归方程（直线），表明在x的值给定的条件下，y的期望值是x的严密线性函数。其中，α表示当x=0时y的期望值；β表示当x每变动一个单位时y的平均变动值。 （一） 总体回归模型 二、 一元线性回归模型 （二） 样本回归模型 在实际工作中，许多客观现象的总体单位数甚至是无限的，人们无法掌握总体的全部取值，自然也就无法知道总体回归方程的两个参数α，β的真实值。因此，人们需要通过抽样，根据样本资料计算样本统计量与以代替回归方程中的未知参数 和 ，这样就构造出了样本的回归方程： 该式被称为估计的一元线性回归方程（直线），即E（y）的估计值。 三、 一元线性回归模型的参数估计 利用最小二乘法求解 和 ，要求因变量的观察值y与其估计值 之间的离差平方和最小，可用下式表示： 令 ，在给定了样本数据后，Q是 和 的函数，且最小值总是存在的。 三、 一元线性回归模型的参数估计 根据微分学中求极值的原理，要使Q取极小值，必须使Q对 和 的偏导数等于0，于是得到 三、 一元线性回归模型的参数估计 经化简得到 和 的标准方程组为 解上述方程组，得 当 ，y=y时，即回归直线 通过点 。 四、 一元线性回归模型的拟合优度 判定系数又称可决系数，是测定估计的回归方程拟合优度的一个重要指标，一般用R2表示。 （一） 判定系数 四、 一元线性回归模型的拟合优度 在回归分析中，因变量y的取值是不同的。y取值的这种波动称为离差。 离差来自两个方面： 一方面是由自变量x的取值不同所造成的; 另一方面是受除自变量x以外的所有其他因素（如x对y的非线性影响、测量误差等）的影响。 （一） 判定系数 四、 一元线性回归模型的拟合优度 （一） 判定系数 n次观测值的总离差可由这些离差的平方和(总平方和)来表示，记为SST。其计算公式如下： 从图8-13可以看出，每个值的离差都可以进行如下分解： 四、 一元线性回归模型的拟合优度 判定系