简单线性回归.pptx

简单线性回归;本章内容;14.1简单线性回归模型;简单线性回归模型;简单线性回归模型;描述y与x及误差项之关系的方程式，称为回归

模型(regressionmodel)。

简单线性回归模型

b0及b1为回归模型的参数(parameter)。?则为一随机变量，称为误差项。

;简单线性回归方程式

简单线性回归方程式的图形是一条直线

B0为回归线的y截距

b1为斜率

E(y)为对应特定x值之y的期望值或平均数。;简单线性回归模型;简单线性回归模型;无关系;估计简单线性回归方程式

估计回归方程式的图形被称为估计回归线(estimatedregressionline)

b0为y截距

b1为斜率

是E(y)的点估计量;估计回归方程式;评注;最小平方法(leastsquaresmethod)是利用样本资料算出估计回归方程式的方法。

最小平方法准则

其中

yi=应变数之第i个观察值的实际值

=应变数之第i个观察值的估计值

;估计回归方程式的斜率与y截距

其中

xi=自变数的第i个观察值

yi=应变数的第i个观察值

=自变数的平均数

=应变数的平均数

n=观察值的个数;最小平方法实例;最小平方法实例;最小平方法实例;最小平方法实例;最小平方法实例;最小平方法实例;最小平方法实例;最小平方法实例;最小平方法实例;最小平方法实例;评注;14.3判定系数;SST、SSR与SSE间的关系

其中

SST=总平方和

SSR=回归平方和

SSE=误差平方和

;我们为亚曼披萨屋的例子建立估计回归方程式＝60＋5x以近似学生人数x与每季销售额y之间的线性关系。接下来的问题是：此估计回归方程式与这些资料到底有多配适？

表14.3是亚曼披萨屋的误差平方和计算过程。例如，对餐厅1而言，自变数与应变数之值各为x1=2和y1=58，利用估计回归方程式，我们发现餐厅1的估计销售额是=60+5(2)=70。因此，对餐厅1而言，使用估计y1而产生的误差是y1－=58－70=?12。误差项的平方(?12)2=144列于表14.3的最后一栏。计算样本中每一餐厅的残差项并取平方后，加总得到SSE=1530。因此，SSE=1530可以用来衡量估计回归方程式=60+5x预测销售额时会发生的误差。

;判定系数实??;判定系数实例;判定系数实例;判定系数实例;判定系数

其中

SSR=回归平方和

SST=总平方和

;判定系数实例;样本相关系数;样本相关系数实例;评注;评注;;误差项?为随机变量，平均数或期望值为0；即E(?)=0。

对所有x值而言，?之变异数(表示为σ2)均相同。

?值是互相独立的。

误差项?为常态分配的随机变量。

;关于回归模型中误差项?的相关假设;模型假设;14.5显著性检定;显著性检定;σ2的估计值;为了估计σ，我们取s2的平方根

所算出之s值称为估计值的标准误(standarderroroftheestimate)。

估计值的标准误

;b1的抽样分配;期望值

标准差

分配形式：常态

;b1的估计标准差

;假设检定

检定统计量;拒绝法则

其中，tα/2系依自由度n?2之t分配求得。

;t检定实例;;;β1的信赖区间;β1的信赖区间;β1的信赖区间实例;β1的信赖区间实例;假设检定

统计检定量

;拒绝法则

其中，Fα系依分子自由度为1，分母自由度为n－2的F分配求得。

;F=MSR/MSE;F=MSR/MSE=14,200/191.25=74.25;F检定实例;F检定实例;拒绝虚无假设H0：β1＝0而得到x和y之间存在显著关系的结论，并不等于认定x与y间有因果关系。只有分析人员可以根据某些理论上的证据来认定关系具因果性时，才可确保因果关系的成立。

仅因可拒绝H0：β1＝0并证明存在统计显著性，并不能认定x与y有线性关系。我们仅能说x与y有相互关系，且在样本中所观察到的x范围内，线性关系解释了大部分y的变异。

;解释显著性检定时的注意事项;误差项的相关假设(14.4节)是本节进行显著性检定的必要假设。根据这些假设，我们才能得到b1之抽样分配的特性与之后的t检定与F检定。