相关分析和线性回归分析.ppt

建立回归方程根据收集到的样本数据以及前步所确定的回归模型，在一定的统计拟合准则下估计出模型中的各个参数，得到一个确定的回归方程。对回归方程进行各种检验由于回归方程是在样本数据基础上得到的，回归方程是否真实的反映了事物总体间的统计关系以及回归方程是否能用于预测等都需要进行检验。利用回归方程进行预测建立回归方程的目的之一是根据回归方程对事物的未来发展趋势进行控制和预测。ADBC确定回归模型建立回归方程对回归方程进行各种检验确定解释变量和被解释变量步骤观察被解释变量y和一个或者多个解释变量xi的散点图，当发现y与xi之间呈现出显著的线性相关时，则应采用线性回归分析的方法，建立y关于xi的线性回归模型。根据模型中解释变量的个数，可将线性回归模型分为一元线性回归模型和多元线性回归模型，相应的分析称为一元线性回归分析和多元线性回归分析。线性回归模型只有一个解释变量的线性回归模型，用于揭示被解释变量与另一个解释变量之间的线性关系。数学模型：y＝β0+β1x+ε（β0和β1分别称为回归常数和回归系数，ε成为随机误差）在不考虑其他影响因素或在认为其他影响因素确定的条件下，分析一个解释变量是如何线性影响被解释变量的。一元线性回归模型01多重线性回归方程：Y=β0+β1x1+β2x2+…βpxp+ε02a是常数，β0，：回归常数，β1…βp是偏回归系数。偏回归系数表示其他自变量假设不变时，某一个自变量变化而引起因变量变化的比率。03若要比较各自变量对因变量的贡献，则要将原始数据分别转化为标准分数，以标准分数建立标准回归方程：ZY=?1Zx1+?2Zx204此时的?是标准偏回归系数。多元线性回归模型01020304线性走势：自变量与因变量之间的关系是线性的。正态性：就自变量的任何一个线性组合，因变量均服从正态分布。05样本要求：样本数应当在希望分析的自变量数的20倍以上为宜。（逐步回归：样本个数/自变量个数40）独立性：因变量的取值必须独立。方差齐性：就自变量的任何一个线性组合，因变量的方差均相同。必须是连续变量06多元线性回归的条件多元回归方程中的自变量选择强行进入法（enter），即一般所称的复回归分析法。强迫所有变量有顺序地进入回归方程。在研究设计中，如果研究者事先建立假设，决定变量的重要性层次，则应使用enter法比较合适。此法又称“层次式进入法”（hierarchicalenter）。后退法（Backward），将已纳入方程的变量按对因变量的贡献大小由小到大依次剔除，每剔除一个自变量，即重新检验每一自变量对因变量的贡献。前进法（Forward），对已纳入方程的变量不考察其显著性，直到方程外变量均达不到入选标准。强制剔除法（Remove）与后退法相同，只是筛选的是Block逐步回归法（Stepwise），运用很广，报告中出现的几率最高。结合了前进法和后退法的优点。第一，模型中先不包含任何预测变量，与因变量相关最高者首先进入回归方程；第二，控制回归方程中的变量后，根据每个预测变量与因变量的偏相关的高低来决定进入方程的顺序；第三，已进入方程的自变量，每引入一个自变量，就对方程中的每一自变量进行显著性检验，若发现不显著，就剔除；每剔除一个自变量有也对留在方程中的自变量再进行显著性检验，再不显著，又剔除，直至没有自变量引入，也没有自变量剔除为止。在选择回归的方法时，注意专业上的要求要先于统计学检验的准则。Hower（1987）建议：（1）应优先使用enter或stepwise。（2）使用enter时，可根据研究计划时的相关理论，决定变量投入的顺序。回归方程的统计检验通过样本数据建立回归方程后一般不能立即用于对实际问题的分析和预测，通常要进行各种统计检验，包括回归方程的拟合优度检验、回归方程的显著性检验、回归系数的显著性检验、残差分析等。认为y各观测值的之间的差异主要由两个方面的原因造成：一是解释变量x取值的不同造成的；二是由于其他随机因素造成的。若SSA所占的比例远大于SSE所占的比例，那么回归方程的拟合优度会比较高。检验样本数据点聚集在回归线周围的密集程度，从而评价回归方程对样本数据的代表程度。SST=SSA+SSE（回归平方和＋剩余平方和）01020304回归方程的拟合优度检验拟合优度检验采用R2统计量，该统计量称为判定系数或决定系数，它是SSA/SST01反映因变量的全部变异中能够通过回归关系被自变量解释的比例，即检验回归的效果如何。02如果自变量的个数很多，有时要以调整后的决定系数代替原先的决定系数。因为增加新的自变量会使决定系数增大，这种决定系数会有高人为控制的机制在内