相关分析与回归分析演示文稿.pptVIP

原始数据的散点图 当前第62页\共有127页\编于星期四\9点 分析-回归-线性-选建造成本为因变量，建筑面积为自变量；方法可选进入(全部被选变量一次进入回归模型)或逐步(每一步将有最小F概率的变量引入回归方程，若引入回归方程的变量的F概率大于设定值，则将其剔除，直到无变量被引入或剔除,则终止回归过程)。 当前第63页\共有127页\编于星期四\9点 统计量中可选估计、置信区间、模型拟合度、描述性。 绘制中选DEPENDNT为Y，ZP RED(标准化预测值)为X。 保存中选择预测值(未标准化, 均值预测值的S.E.)，残差(未标准化)，预测区间(均值，单值) 当前第64页\共有127页\编于星期四\9点 当前第65页\共有127页\编于星期四\9点 当前第66页\共有127页\编于星期四\9点 回归方程在0.01水平下显著。 当前第67页\共有127页\编于星期四\9点 回归系数在0.01水平下显著。 标准化系数是在将原数据进行标准化之后回归生成的系数。标准化系 当前第68页\共有127页\编于星期四\9点 数越大，表明该自变量对因变量的影响越大。 在一元线性回归中，标准化回归系数等于相关系数。 非标准化系数就是用原来的数据算出来的系数。若要写出回归方程，则应该用非标准化系数。 当前第69页\共有127页\编于星期四\9点 回归分析完成后，在原数据表中增加单预测值(含残差)、均值预测值(含SEP)及两者的区间估计。 若需预测新因变量值，则只需给定新自变量值，然后回归分析，即可获得预测值。 也可以将模型保存，再利用新自变量值进行预测。 当前第70页\共有127页\编于星期四\9点 3. 多元线性回归 当解释变量超过一个时就需要考虑多元线性回归模型。 多元线性回归模型的建立、参数估计、模型的检验及应用与一元线性回归类似。 多元线性回归模型为 当前第71页\共有127页\编于星期四\9点 其中y称为被解释变量，xi称为解释变量， 称为回归系数， 称为随机误差。 利用最小二乘法，可求出回归系数 的估计值。 多元线性回归的检验与一元线性回归的检验既有相同之处，也有不同之处。 当前第72页\共有127页\编于星期四\9点 首先可用F统计量检验回归方程的显著性，即自变量整体上对因变量是否有明显影响。 在一元线性回归中，回归方程的F检验与回归系数的t检验等价。但在多元线性回归中，回归方程显著并不意味着每个自变量对因变量的影响都显著, 所以还要用t统计量检验每个回 当前第73页\共有127页\编于星期四\9点 归系数的显著性。 拟合优度用于描述回归方程对样本观察值的拟合程度。与一元线性回归类似，可以用确定系数R2直观地反映回归方程拟合的效果。 需要指出的是，R2并不是检验模型优劣唯一标准。有时，为了使得模型从结构上有较合理的经济解释， 当前第74页\共有127页\编于星期四\9点 R2等于0.7左右也可以给接受模型。 另外，R2与自变量个数及样本容量n有关。当自变量个数及样本容量接近时，R2易接近于1，此时R2中隐含着虚假成分。 总之，由R2决定模型优劣时要慎重。检验多元回归模型时要多种检验方法结合，综合评判。 当前第75页\共有127页\编于星期四\9点 例6 某产品2002~2008年的销售额与流通费用、利润的数据如下，给出利润与销售额、流通费用间的回归方程。 解 做原始数据的散点图, 近似为平面，考虑用二元线性回归。 当前第76页\共有127页\编于星期四\9点 当前第77页\共有127页\编于星期四\9点 当前第78页\共有127页\编于星期四\9点 当前第79页\共有127页\编于星期四\9点 从方差分析表中可知，回归方程显著；从系数表可知，回归系数除常量外显著；从模型汇总可知，模型拟合优度高。 需要指出的是，从相关性表中可知，自变量销售额和流通费用有较高的相关性，这不符合线性回归分析的假设，即所谓多重共线性问题。