《线性相关与回归》课件.ppt

线性相关与回归

课程大纲线性相关理解线性相关的概念，几何意义，计算方法和性质。简单线性回归学习简单线性回归模型，最小二乘法，模型评估，预测等。多元线性回归掌握多元线性回归的基本假设，最小二乘法的推广，模型评估，预测等。应用案例通过案例分析，将线性相关与回归应用于实际问题。

什么是线性相关在统计学中，线性相关是指两个或多个变量之间线性关系的程度。当一个变量的值随着另一个变量的值变化而线性变化时，它们之间就存在线性相关。线性相关可以通过相关系数来衡量，相关系数的取值范围在-1到1之间。相关系数为1表示两个变量之间存在完全的正线性相关，相关系数为-1表示两个变量之间存在完全的负线性相关，相关系数为0表示两个变量之间不存在线性相关。

理解线性相关的概念线性关系线性相关描述了两个变量之间的一种线性关系，即当一个变量变化时，另一个变量也以恒定的速率变化。相关性相关性是指两个变量之间相互关联的程度。线性相关是相关性的一个特例，它表示变量之间存在线性关系。线性相关的类型线性相关可以是正相关、负相关或不相关，分别表示两个变量随着一个变量的增加而增加、减少或没有变化。

线性相关的几何意义共线向量如果两个向量方向相同或相反，它们是线性相关的。共面向量如果三个向量位于同一个平面内，它们是线性相关的。

线性相关的计算方法1相关系数衡量两个变量之间线性关系的强弱程度2协方差反映两个变量之间线性关系的方向和大小3回归分析建立变量之间的线性关系模型

线性相关系数的性质1取值范围线性相关系数的取值范围在-1到1之间，表示两个变量之间的线性相关程度。2符号正值表示正相关，负值表示负相关，0表示无线性相关。3绝对值绝对值越大，线性相关性越强，反之越弱。

线性相关分析的应用预测线性相关分析可以用来预测一个变量的值，例如，根据房价预测房租。分析线性相关分析可以用来分析两个变量之间的关系，例如，分析温度和冰淇淋销量之间的关系。控制线性相关分析可以用来控制一个变量的值，例如，控制一个变量的波动范围。

简单线性回归模型简单线性回归模型是统计学中一个基本模型，用于研究两个变量之间线性关系，并预测一个变量在给定另一个变量的值时的取值。该模型假设两个变量之间存在线性关系，并使用线性方程来描述这种关系。线性方程的斜率代表了两个变量之间的关系强度，截距则代表了当自变量为零时，因变量的取值。

简单线性回归的基本假设线性关系自变量和因变量之间存在线性关系，可由一条直线近似表示。随机误差模型无法解释的随机误差项，满足均值为0，方差为常数的假设。独立性误差项之间相互独立，每个误差项不受其他误差项的影响。正态分布误差项服从正态分布，使得假设检验和置信区间计算变得更容易。

最小二乘法目标函数最小化残差平方和计算步骤求解使目标函数最小的回归系数结果找到最佳拟合直线

线性回归模型的评估模型拟合度评估模型对数据的拟合程度，通常使用R方等指标。残差分析分析残差的分布和趋势，判断模型的假设是否满足。预测能力评估模型对未知数据的预测准确性，使用RMSE等指标。

回归系数的检验显著性检验检验回归系数是否显著地不同于零，确定变量之间是否存在真实关系。置信区间估计回归系数的置信区间，反映系数的估计精度。假设检验利用统计检验方法，检验回归系数是否符合预期的假设。

回归模型的预测1新样本数据将待预测的样本数据代入已建立的回归模型。2计算预测值根据回归方程，计算出对应的新样本数据的预测值。3误差分析评估预测值与实际值的偏差，判断模型的预测效果。

多元线性回归模型多元线性回归模型是简单线性回归模型的扩展，用于分析多个自变量对因变量的影响。它可以更全面地解释复杂现象，例如，研究多种因素对房价的影响。

多元线性回归的基本假设线性关系自变量和因变量之间存在线性关系，可以通过直线或平面来拟合。独立性误差项之间相互独立，一个误差项不会影响其他误差项。同方差性误差项的方差保持一致，在自变量取值范围内，误差项的方差相同。正态性误差项服从正态分布，这是模型推断和假设检验的基础。

最小二乘法的推广1多元线性回归2矩阵形式3广义线性模型最小二乘法可以推广到多元线性回归模型，并可以用矩阵形式表示。此外，最小二乘法也是广义线性模型的基础，它可以处理各种类型的响应变量。

多元回归模型的评估1模型拟合度评估模型对数据的拟合程度，通常用R平方值来衡量。2残差分析检查模型的误差项是否满足正态分布，以及是否存在异方差或自相关等问题。3预测能力评估模型对未来数据的预测准确性，可以通过交叉验证等方法进行测试。

回归系数的检验显著性检验检验回归系数是否显著地不同于零，以确定自变量对因变量的影响是否真实存在。假设检验通过建立零假设和备择假设，利用统计方法来判断回归系数是否显著，并确定接受或拒绝零假设。

多元回归模型的预测1模型构建根