一元线性回归总结分析.doc

第十一章 一元线性回归 本章主要介绍数值型自变量和数值型因变量之间关系的分析方法，这就是相关与回归分析。如果研究的是两个变量之间的关系，称为简单相关与简单回归分析；如果研究的是两个以上变量之间的关系，称为多元相关与多元回归分析。本章主要讨论简单线性相关和简单线性回归的基本方法。 本章知识结构如下： 主要知识点： 变量间关系的度量 变量之间的关系可分为两种类型，即函数关系和相关关系。 变量之间存在的不确定的数量关系，称为相关关系。 相关关系的特点：一个变量的取值不能由另一个变量唯一确定，当变量y的取值可能有几个。对这种关系不确定的变量显然不能用函数关系来描述，但也不是无规律可循。相关与回归分析正是描述与探索这类变量之间关系及其规律的统计方法。 判断相关性的方法： 方法一：散点图法 散点图是描述变量之间关系的一种直观方法，从中可以大体上看出变量之间的关系形态及关系强度。 方法二：相关系数法 利用相关系数可以准确度量两个变量之间的关系强度。 利用Excel软件计算相关系数： “工具” “数据分析”“相关系数” “选入数据” “确定”即可。 相关关系的显著性检验 考察样本相关系数的可靠性，也就是进行显著性检验。 r的显著性检验 提出假设 计算检验统计量 进行决策 根据给定的显著性水平和自由度查分布表，得出的临界值。若，则拒绝原假设,表明总体的两个变量之间存在显著的线性关系。 一元线性回归 回归模型： 称为模型的参数。 称为误差项，反映了除x与y之间的线性关系之外的随机因素对y的影响。 一元线性回归方程的形式： 表示当自变量每变化一个单位时，因变量变化个单位。不赋予任何意义。 参数的最小二乘估计： 用Excel软件进行操作： “工具” “数据分析” “回归” “选入数据” “确定”即可。 回归直线的拟合优度检验： 回归直线与各观测点的接近程度称为回归直线对数据的拟合优度。 判定拟合优度的方法： 方法一：判定系数法 回归平方和占总平方和的比例称为判定系数。 表示在因变量的总变差中被估计的回归方程所解释的比例； 故越大越好。 方法二：估计标准误差 表示根据所建立的回归方程，用自变量来预测因变量时，平均预测误差的大小； 故越小越好，越小说明波动性越小。 显著性检验 线性关系的检验——模型的检验 用软件进行线性关系检验的方法： 在Excel中，在“工具”“数据分析” “回归” 方差分析一栏中有“SignificanceF”值（即P值），当时，拒绝原假设；当时，接受原假设。 回归系数的检验： 检验单个自变量对因变量的影响是否显著，检验步骤同线性关系的检验，检验过程中可能会因为“多重共线性”问题导致某些自变量无法通过检验。 检验步骤：第1步：提出假设。对于任意参数有 第2步：计算检验的统计量t。 第3步：做出统计决策。 给定显著性水平，根据自由度=n-k-1查t分布表，得的值。若，则拒绝原假设；若，则不拒绝原假设。 利用回归方程进行预测： 所谓预测是指通过自变量x的取值来预测因变量y的取值。 预测类型有：点估计法和区间估计法，这个利用软件在进行回归分析的时候都能直接得出来。 残差分析： 确定有关的假设是否成立的方法之一就是进行残差分析。 残差： 残差反映了用估计的回归方程去预测而引起的误差。 标准化残差是残差除以它的标准差后得到的数据。 第i个观察值的标准化残差可以表示为： 如果误差项服从正态分布的假设成立的话，那么标准化残差的分布也应服从正态分布。 本章例题 从某一行业中随机抽取14家企业，所得产量与生产费用的数据如下： 企业编号 产量（台） 生产费用（万元） 1 40 130 2 42 150 3 50 155 4 55 140 5 65 150 6 78 154 7 84 165 8 100 170 9 116 167 10 125 180 11 130 175 12 140 185 13 145