统计学原理与概率论课件.pptVIP

*************************************简单线性回归广告投入（万元）销售额（万元）简单线性回归模型描述了一个因变量Y与一个自变量X之间的线性关系：Y=β?+β?X+ε，其中β?是截距，β?是斜率，ε是随机误差项。模型假设包括：①线性关系；②误差项ε服从均值为0、方差为σ2的正态分布；③误差项相互独立；④自变量X为固定值或与误差项无关。最小二乘法是估计回归参数的常用方法，它通过最小化残差平方和来确定最佳拟合线。参数估计公式为：β?=Σ(x_i-x?)(y_i-?)/Σ(x_i-x?)2，β?=?-β?x?，其中x?和?分别是X和Y的样本均值。回归模型的评估指标包括：①决定系数R2，表示自变量解释的因变量变异比例；②回归系数的显著性检验；③残差分析，检查模型假设是否满足。简单线性回归可用于定量关系的描述、变量关系的预测和理解变量间的因果关系。多元线性回归自变量回归系数标准误t值P值截距15.23.54.340.001广告投入0.650.125.420.000店铺数量1.80.454.000.002行业景气2.30.852.710.015多元线性回归模型描述了一个因变量Y与多个自变量X?,X?,...,X?之间的线性关系：Y=β?+β?X?+β?X?+...+β?X?+ε。与简单线性回归相比，多元线性回归能够考虑多个因素对因变量的综合影响，更接近复杂的现实情况。多元线性回归的变量选择是模型构建的关键步骤，包括前进法、后退法和逐步法等方法。变量选择的标准包括调整R2、AIC(Akaike信息准则)、BIC(贝叶斯信息准则)等。此外，还需考虑变量的理论意义和实际解释力，避免过度拟合。多元回归分析中的F检验用于检验整个模型的显著性，t检验用于检验各回归系数的显著性。模型的评估除了考虑统计显著性外，还需关注模型的预测能力和解释力。在实际应用中，多元回归分析常用于销售预测、成本分析、风险评估等领域。回归诊断残差分析是回归诊断的核心内容，包括检查残差的正态性、同方差性、独立性和线性关系假设。常用的残差图包括：①残差与预测值的散点图，用于检查同方差性和线性关系；②残差的正态概率图，用于检查正态性假设；③残差的时序图，用于检查独立性。残差分析可以帮助识别模型的问题和改进方向。多重共线性是指自变量之间存在高度相关关系的现象，会导致回归系数估计不稳定，标准误增大，t检验功效下降。检测多重共线性的方法包括相关系数矩阵、方差膨胀因子(VIF)和条件数等。解决多重共线性的方法包括剔除高度相关变量、主成分回归和岭回归等。异常值和强影响点的识别也是回归诊断的重要内容。常用的影响力度量包括杠杆值、学生化残差、库克距离等。对于异常值和强影响点，需要仔细检查其来源，判断是否为数据错误，并考虑其对模型结果的影响。适当的回归诊断和修正可以显著提高模型的可靠性和有效性。非线性回归多项式回归多项式回归是线性回归的扩展，引入自变量的高次项来描述非线性关系：Y=β?+β?X+β?X2+...+β?X?+ε。虽然模型形式是非线性的，但参数仍然是线性的，因此可以使用普通最小二乘法估计。多项式回归适用于数据呈现平滑曲线关系的情况，但高次多项式可能导致过度拟合。指数回归指数回归模型描述了因变量以指数形式依赖于自变量的关系：Y=β?×e^(β?X)×ε。通过对模型两边取对数，可以转化为线性形式：ln(Y)=ln(β?)+β?X+ln(ε)，然后使用线性回归方法估计参数。指数回归适用于描述具有指数增长或衰减特性的现象，如人口增长、放射性衰变等。其他非线性回归其他常见的非线性回归模型包括对数回归、幂函数回归、S曲线回归（如Logistic回归）等。这些模型适用于不同形式的非线性关系。对于无法通过变换转化为线性形式的复杂非线性模型，需要使用非线性最小二乘法或最大似然估计等方法估计参数。选择合适的非线性模型应基于数据特征和理论基础。第五部分：时间序列分析1时间序列的组成了解时间序列的趋势、季节性、周期性和随机成分2时间序列预处理进行平稳性检验、差分和季节调整3经典预测方法掌握移动平均和指数平滑等基本方法4高级时间序列模型学习ARIMA等复杂时间序列模型时间序列分析是研究按时间顺序排列的数据序列的统计方法，目的是发现数据随时间变化的规律，并用于预测未来值。时间序列数据在经济、金融、气象、医学等众多领域都有广泛应用，如股票价格、GDP、气温变化、患者就诊量等。