研究方法之回归分析.pptVIP

*第五章回归分析1.一元线性回归2.多元线性回归3.普通最小二乘法假设的违背一、一元线性回归1.一元线性回归模型的描述2.一元线性回归方程的估计3.一元线性回归方程的显著性检式中y为因变量；x为自变量；a,b为待定参数；上述公式称为变量y对x的一元线性回归模型。01a,b的几何意义是：a为直线方程的截距，b为直线的斜率。02其经济意义是：a表示自变量x为零时的因变量y的估计值；b表示当自变量x每增加一个单位时因变量y的平均变化，b也称为y对x的回归系数。031一元线性回归模型的描述2.一元线性回归方程的估计：OLS最小二乘法的基本思想是：选择a和b,使得观测值与理论值的离差平方和最小。即选择a和b,使得一元线性回归方程的估计经整理，得到参数a和b的计算公式：[例]建立广告费用支出与销售额的一元线性回归方程。一元线性回归计算表261728442544合计720818098111937376043026300256055160164044560647083406495872300365061序号01将表中数据代入,得到02于是，广告费与销售额的一元线性回归方程为231回归系数b的显著性检回归系数b的显著性检验就是要验证总体两变量x与y的线性关系是否真正存在。因此，我们对线性模型提出如下假设：如果原假设成立，说明x对y没有影响，如果原假设不成立，则可以认为x对y有显著影响。3.一元线性回归方程的显著性检验3.一元线性回归方程的显著性检验因此，我们可以作出决策，对于给定的显著性水平若，则拒绝，表明x与y之间存在线性关系，x对y的影响时显著的。将其分解：不难证明交叉项等于零，若记则有这里，SSR叫回归平方和，它反映了回归方程的理论值对平均值的离散程度；SSE叫残差平方和，它是实际观测值与回归值的离差平和，反映了随机因素对y取值的影响。（2）回归方程的显著性检验（判定系数）回归方程的显著性检验（判定系数）回归平方和占总平方和的比例作为判定系数计算公式为因变量取值的变差中，能被估计的多元回归方程所解释的比例1[例]根据上表的资料拟合的回归方程进行回归系数的显著性检验和回归方程的显著性检验。2解：①回归系数的显著性检验（t检验）5之间不存在线性关系。4若成立，说明广告费对销售额的影响不显著，两者3我们提出如下假设：在成立的条件下，计算t统计量的值：当显著性水平时，，此时，因此拒绝原假设。说明回归系数是显著的，广告费用和销售额之间的线性关系确实存在，广告费用是影响销售额的显著因素。t=7.56801多元线性回归模型02多元线性回归模型的估计：OLS03各回归系数的显著性检验（t检验）04多元回归的拟合优度检验(adj_R2)二、多元线性回归例如:有两个解释变量的电力消费模型其中:为各地区电力消费量；为各地区国内生产总值（GDP）；为各地区电力价格变动。模型中参数的意义是什么呢?偏回归系数：控制其它解释量不变的条件下，第i个解释变量的单位变动对因变量变动的影响。1.多元线性回归模型最小二乘原则02求偏导,令其为0:01剩余平方和最小：2、普通最小二乘法（OLS）即注意到OLS估计式二元回归中*