理论统计学课件-相关与回归分.pptVIP

6.3 回归分析 6.3.1 回归分析 计算线性相关系数 r ? 确定两变量之间的相关方向与密切程度。 [不足]无法表明两变量之间的因果关系 ? 无法从一个变量（x）的变化来推测另一个变量（y）的变化情况。 10名用餐顾客消费费与所付小费数据如下： 6.3 回归分析 6.3.2 一元线性回归方程的拟合 （一）总体回归方程 6.3 回归分析 [图示] 6.3 回归分析 [假定]所有Y分布的均值都正好在一条直线上。 6.3 回归分析 [拟合思想]抽样 N ? n, 6.3 回归分析 （二）样本回归方程的拟合 从总体中随机取样，获取一组样本观察值。 6.3 回归分析 [图示] 6.3 回归分析 步骤：1、利用样本数据拟合样本回归直线，尽量减少误差； 2、检验样本回归直线对总体回归直线的代表程度。 6.3 回归分析 （三）样本回归方程的拟合方法 最小二乘法（OLS法）※ 基本思路：使残差平方和最小的直线?“最优直线”。 6.3 回归分析 ?总可以设法找到一对a、b的取值，使Q为最小值。 6.3 回归分析 将a代入（2）式得 6.3 回归分析 相关与回归分析 实践中的统计 消费者应该留下多少小费？ 在西方国家餐饮等服务行业有一条不成文的规定，即发生餐饮等服务项目消费时，必须给服务员一定数额的小费，许多人都听说小费应该是账单的16%左右，是否真的如此呢？让我们来考察表10-1，表中的数据是经过调查所得的样本数据，通过对这几组数据的分析与观察，我们能发现两者之间的数量关系。 问题是： 1、是否有足够的证据断定：在账单与小费数额之间存在某种联系？ 2、如果存在某种联系，怎样使用这种联系来确定应该留下多少小费？ 本章的重点就是基于成对出现的样本数据做出一些推论。如上例，我们想要确定账单与小费数额之间是否存在某种联系，如果存在，我们就想用一个公式描述它，这样就能找出人们留小费时遵循的规则。类似这样的问题还有很多，如： （1）犯罪率与偷窃率；（2）香烟消费与患癌症率； （3）个人收入水平与受教育年限；（4）血压与年龄； （5）父母身高与子女身高；（6）薪金与酒价； （7）人的手掌生命线的长度与人的寿命长短。 实践中的统计 6.1 相关分析与回归分析概述 6.1.1 相关分析与回归分析的内涵 （一） 变量间的相互关系 函数关系 定义：完全确定的（数量）关系。 （1）某一（组）变量与另一变量间存在着一一对应的关系； [例]计件工资（y）与产量（x）? y=f(x)=10x； x0=1件， y0=10元； x1=2件， y1=20元 园的面积S＝ΠR2，R=10，S=100 Π （2）y?被解释变量（因变量）；x?解释变量（自变量）。 相关关系 1、定义：不完全确定的依存关系。 （1）某一（组）变量与另一变量间有关系但并非一一对应； 6.1 相关分析与回归分析概述 [例]身高y与体重x； A：x=60kg、y=170m； B： x=60kg、y=1.72m； C：x=60kg、y=1.68m； D： x=60kg、y=1.65m。 （2）表述：y=f(x)+?。 影响身高的因素：体重、遗传、锻炼、睡眠质量…… 2、成因 （1）某些影响因素尚未被认识； （2）虽已认识但无法测量； （3）测量误差。 [例]某种水果2元/斤： 购买额? y=2x ?购买量 y=4元、x=2斤 ? y=2x+?=2×1.9+0.2 3、数量关系的形式 6.1 相关分析与回归分析概述 （1）单一因果关系 ； （2）互为因果关系 ； （3）伴随关系 。 （二）、相关分析与回归分析 相关分析：用一个指标（相关系数），表明变量间相互依存关系的方向和密切程度。 回归分析：根据相关关系的形态，选择一个合适的数学模式，用来近似的表达变量间的平均变化关系。 y = a+bx 、 y=a+b1x1+bx2 、 y=?0+ ?1x1+ ?2x2+…+ ?nxn [回归]英国生物学家 F · Galton 首次提出。 父辈身高 ? 子辈身高 x y ? y = f（x）+? ：人类的平均身高。 6.1 相关分析与回归分析概述 联系：①研究对象相同：均为相关关系 ②相关分析是回归分析的基础，回归分析是相关分析的深入。 区别：①研究目的不同；相关分析：相关的方向和密切程度； 回归分析：相关的具体形式； ②研究方法不同；相关分析：指标