一元线性回归模型检验.doc

§2.3 一元线性回归模型的统计检验 回归分析是要通过样本所估计的参数来代替总体的真实参数，或者说是用样本回归线代替总体回归线。尽管从统计性质上已知，如果有足够多的重复抽样，参数的估计值的期望（均值）就等于其总体的参数真值，但在一次抽样中，估计值不一定就等于该真值。那么，在一次抽样中，参数的估计值与真值的差异有多大，是否显著，这就需要进一步进行统计检验。主要包括拟合优度检验、变量的显著性检验及参数的区间估计。 一、拟合优度检验 拟合优度检验，顾名思义，是检验模型对样本观测值的拟合程度。检验的方法，是构造一个可以表征拟合程度的指标，在这里称为统计量，统计量是样本的函数。从检验对象中计算出该统计量的数值，然后与某一标准进行比较，得出检验结论。有人也许会问，采用普通最小二乘估计方法，已经保证了模型最好地拟合了样本观测值，为什么还要检验拟合程度？问题在于，在一个特定的条件下做得最好的并不一定就是高质量的。普通最小二乘法所保证的最好拟合，是同一个问题内部的比较，拟合优度检验结果所表示优劣是不同问题之间的比较。例如图2.3.1和图2.3.2中的直线方程都是由散点表示的样本观测值的最小二乘估计结果，对于每个问题它们都满足残差的平方和最小，但是二者对样本观测值的拟合程度显然是不同的。 ． ． ．． ．． ． ． ． ． ． 图2.3.1 图2.3.2 1、总离差平方和的分解 已知由一组样本观测值，=1,2…,n得到如下样本回归直线 而的第个观测值与样本均值的离差可分解为两部分之和： （2.3.1） 图2.3.3示出了这种分解，其中，是样本回归直线理论值(回归拟合值)与观测值的平均值之差，可认为是由回归直线解释的部分；是实际观测值与回归拟合值之差，是回归直线不能解释的部分。显然，如果落在样本回归线上，则的第个观测值与样本均值的离差，全部来自样本回归拟合值与样本均值的离差，即完全可由样本回归线解释。表明在该点处实现完全拟合。 Y =来自残差 SRF =总离差 =来自回归 X 图2.3.3 对于所有样本点，则需考虑这些点与样本均值离差的平方和。由于 可以证明，所以有 (2.3.2) 记，称为总离差平方和（Total Sum of Squares），反映样本观测值总体离差的大小；，称为回归平方和（Explained Sum of Squares），反映由模型中解释变量所解释的那部分离差的大小；，称为残差平方和（Residual Sum of Squares），反映样本观测值与估计值偏离的大小，也是模型中解释变量未解释的那部分离差的大小。 （2.3.2）表明的观测值围绕其均值的总离差平方和可分解为两部分，一部分来自回归线，另一部分则来自随机势力。因此，可用来自回归线的回归平方和占Y的总离差的平方和的比例来判断样本回归线与样本观测值的拟合优度。 读者也许会问，既然反映样本观测值与估计值偏离的大小，可否直接用它作为拟合优度检验的统计量？这里提出了一个普遍的问题，即作为检验统计量的一般应该是相对量，而不能用绝对量。因为用绝对量作为检验统计量，无法设置标准。在这里，，即残差平方和，与样本容量关系很大，当n比