统计学课件-回归分析.pptVIP

回归分析-1 一. 回归分析 将存在相关的两个变量，一个作为自变量，另一个作为因变量，并把二者之间不十分准确、稳定的关系，用数学方程式来表达，则可利用该方程由自变量的值来估计、预测因变量的估计值，这一过程称为回归分析 。 回归表示一个变量随另一个变量作不同程度变化的单向关系。 相关与回归是从不同角度对变量间关系的分析：相关关系是两个变量之间的双向关系，没有主从之分；而回归关系是两个变量之间的单向关系，是自变量对因变量的影响关系。相关关系用相关系数来表示，而回归关系用数学模型来表示，这种数学模型称为回归方程（regression equation） 。 二．一元线性回归方程的建立 1．一元线性回归概念 线性回归（linear regression）：自变量与因变量之间呈线性关系（linear relationship）的回归关系。 一元线性回归是指只有一个自变量的线性回归。 一元线性回归又称为简单线性回归（simple linear regression）。 2．一元线性回归方程的通式 式中： a 为直线的截距； b 为回归系数（也是回归直线的斜率） （20．1） 3．一元线性回归方程的建立 建立回归方程的步骤一般包括： 根据数据资料作散点图，判断直线关系； 选定计算回归系数的方法并计算回归系数b和直线的截距a。 将b和a代入直线方程的通式，得到回归方程。 ⑴．最小二乘法求回归系数 （method of least squares） 常用的拟合这条回归线的原则，就是使各点与该线纵向距离的平方和最小，也就是使误差的平方和最小。这种求回归系数的方法称为最小二乘法。 最小二乘法得到的是可能的各条直线中拟合最好的一条。 图20-1 回归直线示意图 （X，Y） Y X O （X， ） a h 图20-1 回归直线示意图 （X，Y） Y X O （X， ） h 图中，Y与 的离差（残差）有大，有小，有正，有负，其总和为零。因此，在考虑最小总距离时需将残差值平方，取其平方和为最小值时的方程为回归方程。 经整理可得到回归系数的计算公式为 （20．2） ⑵．求直线的截距 由回归系数公式的计算中可得 （20．3） 另一组计算公式为： 表20-1 10个学生初一与初二数学成绩回归系数计算表 序号 X Y 1 74 76 3 3.7 11.1 9 13.69 2 71 75 0 2.7 0 0 7.29 3 72 71 1 -1.3 -1.3 1 1.69 4 68 70 -3 -2.3 6.9 9 5.29 5 76 76 5 3.7 18.5 25 13.69 6 73 79 2 6.7 13.4 4 44.89 7 67 65 -4 -7.3 29.2 16 53.29 8 70 77 -1 4.7 -4.7 1 22.09 9 54 62 -6 -10.3 61.8 36 106.09 10 74 72 3 -0.3 -0.9 9 0.09 合计 710 723 134 110 268.10 回归方程为 回归方程为 ⑶．原始数据计算回归系数公式 ⑷．相关系数及两样本标准差计算公式 （20．4） （20．5） 表20-2 10个学生初一与初二数学成绩回归系数计算表 序号 X Y XY 1 74 76 5476 5776 5624 2 71 75 8041 5626 5325 3 72 71 5184 5041 5112 4 68 70 4624 4900 4760 5 76 76 5776 5776 5776 6 73 79 5329 6241 5767 7 67 65 4489 4225 4355 8 70 77 4900 5929 5390 9 54 62 4225 3844 4030 10 74 72 5476 5184 5328 合计 710 723 50520 52541 51467 由Ｘ估计Ｙ的方程为： 由Ｙ估计Ｘ的方程为： 图20-2 学生初一与初二数学成绩的两条回归线 Ｘ Ｙ ０ 三．线性回归的基本假设 1．两变量呈线性关系 2．因变量Ｙ的分布为正态 3．独立性假设 4．方差齐性假设 四.一元线性回归方程的检验 1．一元线性回归方程的检验的意义 根据样本数据计算出的回归方程可能有一定的抽样误差。为了考查这两个变量在总体内是否存在线性关系，以及回归方程对估计预测因变量的有效性如何，在回归方程应用之前，首先应进行显著性检验。 2．一元线性回归方程显著性检验的方法 有三种等效的方法 对回归方程进行方差分析 对两个变量的相关系数进行总体零相关的显著性检验