相关与回归分析新.pptVIP

离差平方和的分解（图示） x y y { } } ? 离差分解图 * 第六十二页，共八十六页，2022年，8月28日 * 第三十页，共八十六页，2022年，8月28日 计算公式还可以有： * 第三十一页，共八十六页，2022年，8月28日 （四）相关系数的显著性检验 1、检验两个变量之间是否存在线性相关关系 2、采用 t 检验 3、检验的步骤为 提出假设：H0：? ? ? ；H1： ? ? 0 计算检验的统计量： 确定显著性水平?，并作出决策 若?t?t???，拒绝H0 若?t?t???，接受H0 * 第三十二页，共八十六页，2022年，8月28日 相关系数的显著性检验（实例） ? 对前例计算的相关系数进行显著性检(??0.05) 提出假设：H0：? ? ? ；H1： ? ? 0 计算检验的统计量 根据显著性水平?＝0.05，查t分布表得 　　　　　　t???(n-2)=2.160 由于?t?=48.385t???(15-2)=2.160，拒绝H0，该种食物需求量和地区人口增加量之间的相关关系显著。 * 第三十三页，共八十六页，2022年，8月28日 什么是回归分析？ （内容） 从一组样本数据出发，确定变量之间的数学关系式 对这些关系式的可信程度进行各种统计检验，并从影响某一特定变量的诸多变量中找出哪些变量的影响显著，哪些不显著 利用所求的关系式，根据一个或几个变量的取值来预测或控制另一个特定变量的取值，并给出这种预测或控制的精确程度 二、简单线性回归分析 * 第三十四页，共八十六页，2022年，8月28日 回归模型与回归方程 第三十五页，共八十六页，2022年，8月28日 回归模型 回答“变量之间是什么样的关系？” 方程中运用 1 个数字的因变量(响应变量) 被预测的变量 1 个或多个数字的或分类的自变量 (解释变量) 用于预测的变量 3. 主要用于预测和估计 * 第三十六页，共八十六页，2022年，8月28日 回归模型的类型 一个自变量 两个及两个以上自变量 回归模型 多元回归 一元回归 线性回归 非线性回归 线性回归 非线性回归 * 第三十七页，共八十六页，2022年，8月28日 一元线性回归模型 （概念要点） 当只涉及一个自变量时称为一元回归，若因变量 y 与自变量 x 之间为线性关系时称为一元线性回归。 对于具有线性关系的两个变量，可以用一条线性方程来表示它们之间的关系。 描述因变量 y 如何依赖于自变量 x 和误差项? 的方程称为回归模型。 * 第三十八页，共八十六页，2022年，8月28日 标准的一元线性回归模型 (一)总体回归函数 　 Ｙt＝β0＋β1Ｘt＋ut　　（7.5） u t是随机误差项，又称随机干扰项，它是一个特殊的随机变量，反映未列入方程式的其他各种因素对Ｙ的影响。 (二)样本回归函数: 　　 　　　　　 （ｔ＝１，２，... n) ｅt称为残差，在概念上，ｅt与总体误差项ut相互对应；ｎ是样本的容量。 * 第三十九页，共八十六页，2022年，8月28日 一元线性回归模型 （概念要点） 对于只涉及一个自变量的简单线性回归模型可表示为　　　 yt = b0 + b1 x + et 模型中，y 是 x 的线性函数(部分)加上误差项 线性部分反映了由于 x 的变化而引起的 y 的变化 误差项 ?t 是随机变量 反映了除 x 和 y 之间的线性关系之外的随机因素对 y 的影响 是不能由 x 和 y 之间的线性关系所解释的变异性 ?0 和 ?1 称为模型的参数 * 第四十页，共八十六页，2022年，8月28日 样本回归函数与总体回归函数区别 1、总体回归线是未知的，只有一条。样本回归线是根据样本数据拟合的，每抽取一组样本，便可以拟合一条样本回归线。 2、总体回归函数中的β1和β2是未知的参数，表现为常数。而样本回归函数中的 　是随机变量，其具体数值随所抽取的样本观测值不同而变动。 3、总体回归函数中的ut是Ｙt与未知的总体回归线之间的纵向距离，它是不可直接观测的。而样本回归函数中的ｅt是Ｙt与样本回归线之间的纵向距离，当根据样本观测值拟合出样本回归线之后，可以计算出ｅt的具体数值。 * 第四十一页，共八十六页，2022年，8月28日 （三）误差项的基本标准假定 误差项ut是一个期望值为0的随机变量，即E(ut)=0。对于一个给定的 x 值，y 的期望值为E ( yt ) =? 0+ ? 1 xt 对于所有的 x 值，ut的方差σ2 都相同 误差项ut是一个服从正态分布的随机变量，且相互独立。即u~N( 0 ,σ2 ) 独立性意味着对于一个特定的 x值，它所对应的u与其他 x 值所对应的u不相关