回归方程和独立性检验知识点.pdfVIP

回归分析和独立性检验 一、回归分析 ˆ ˆ ˆ   x y 1、回归直线方程 y bx a （ 叫做解释变量， 叫做预报变量） n n (x x)(y y) x y nxy ˆ i i i i b i1 i1 （由 得出，考试时给出此公式中的一个） 其中 ＝ 最小二乘法 n n (x x)2 x nx2 2 i i i1 i1 ˆ  ˆ 回归直线过样本的中心点(x，y) ， a y bx （ 此式说明： 也就是平均值点。 ） 2、几条结论： （1）回归直线过样本的中心点(x，y)。 （2）b0 时，y与x正相关，散点图呈上升趋势；b0 时，y与x负相关，散点图呈下降趋势。 （3）斜率b 的含义（举例）： 如果回归方程为y=2.5x+2， 说明x增加1个单位时，y平均增加2.5个单位； 如果回归方程为y=－2.5x+2，说明x增加1个单位时，y平均减少2.5个单位。 （4）相关系数 表示变量的相关程度。 范围：r r 1，即 1r1 r 越大，相关性越强。r0时，y与x正相关；r0时，y与x负相关。 ． ． R2 R [0，1]2 （5）相关指数 表示模型的拟合效果。 范围： R2越大，拟合效果越好，（这时：残差平方和越小，残差点在带状区域内的分布比较均匀， ． ． 带状区域宽度越窄，拟合精度越高）。 R2 x y 表示解释变量 对于预报变量 变化的贡献率。 2 x y y x 例如：R 0.64，表明“ 解释了64%的 变化”，或者说“ 的差异有64%是由 引起的”。 y bxae e y x e （6）线性回归模型 ， 其中 叫做随机误差。（ 是由 和 共同确定的。） 二、独立性检验 1、原理：假设性检验（类似反证法原理）。 K2 一般情况下：假设分类变量X和Y之间没有关系，通过计算 值，然后查表对照相应的概率P， 发现这种假设正确的概率P很小，从而推翻假设，最后得出X和Y之间有关系的可能性为(1－P), k K2 k K2 也就是“X和Y有关系”。（表中的 就是 的观测值，即 ）  2 2、2 2列联表： n(adbc) K 2 总计 (a