1、7章 相关与回归分析 ppt课件第五章第五章 相关与回归分析相关与回归分析 n第一节第一节 相关与回归分析的基本概念相关与回归分析的基本概念 n第二节第二节 简单线性相关与回归分析简单线性相关与回归分析 n第三节第三节 多元线性相关与回归分析多元线性相关与回归分析 n第四节第四节 Excel在相关与回归分析中的应用在相关与回归分析中的应用 2变量之间的函数关系和相关关系，在一定条变量之间的函数关系和相关关系，在一定条件下是可以互相转化的。件下是可以互相转化的。n本来具有函数关系的变量，当存在观测误差时，本来具有函数关系的变量，当存在观测误差时，其函数关系往往以相关的形式表现出来。其函数关系往往
2、以相关的形式表现出来。n而具有相关关系的变量之间的联系，如果我们而具有相关关系的变量之间的联系，如果我们对它们有了深刻的规律性认识，并且能够把影对它们有了深刻的规律性认识，并且能够把影响因变量变动的因素全部纳入方程，这时的相响因变量变动的因素全部纳入方程，这时的相关关系也可能转化为函数关系。关关系也可能转化为函数关系。一、函数关系与相关关系一、函数关系与相关关系5n相关关系也具有某种变动规律性，所以，相关关系也具有某种变动规律性，所以，相关关系经常可以用一定的函数形式去相关关系经常可以用一定的函数形式去近似地描述。客观现象的函数关系可以近似地描述。客观现象的函数关系可以用数学分析的方法去研究，
3、而研究客观用数学分析的方法去研究，而研究客观现象的相关关系必须借助于统计学中的现象的相关关系必须借助于统计学中的相关与回归分析方法。相关与回归分析方法。一、函数关系与相关关系一、函数关系与相关关系6二、相关关系的种类二、相关关系的种类 按相关的程度可分为完全相关、不完全相关和不相关。按相关的程度可分为完全相关、不完全相关和不相关。n当一种现象的数量变化完全由另一个现象的数量当一种现象的数量变化完全由另一个现象的数量变化所确定时，称这两种现象间的关系为完全相变化所确定时，称这两种现象间的关系为完全相关。在这种场合，相关关系便成为函数关系。因关。在这种场合，相关关系便成为函数关系。因此也可以说函数
4、关系是相关关系的一个特例。此也可以说函数关系是相关关系的一个特例。n当两个现象彼此互不影响，其数量变化各自独立当两个现象彼此互不影响，其数量变化各自独立时，称为不相关现象。时，称为不相关现象。n两个现象之间的关系介于完全相关和不相关之间，两个现象之间的关系介于完全相关和不相关之间，称为不完全相关，一般的相关现象都是指这种不称为不完全相关，一般的相关现象都是指这种不完全相关。完全相关。7按相关的方向可分为正相关和负相关。按相关的方向可分为正相关和负相关。n当一个现象的数量增加（或减少），另一当一个现象的数量增加（或减少），另一个现象的数量也随之增加（或减少）时，个现象的数量也随之增加（或减少）时
5、，称为正相关。例如，消费水平随收入的增称为正相关。例如，消费水平随收入的增加而提高。加而提高。n当一个现象的数量增加（或减少），而另当一个现象的数量增加（或减少），而另一个现象的数量向相反方向变动时，称为一个现象的数量向相反方向变动时，称为负相关。例如商品流转的规模愈大，流通负相关。例如商品流转的规模愈大，流通费用水平则愈低。费用水平则愈低。二、相关关系的种类二、相关关系的种类 8n按相关的形式可分为线性相关和非线性相关。按相关的形式可分为线性相关和非线性相关。n按所研究的变量多少可分为单相关、复相关按所研究的变量多少可分为单相关、复相关和偏相关。和偏相关。n两个变量之间的相关，称为两个变量之
6、间的相关，称为单相关单相关。n当所研究的是一个变量对两个或两个以上其他变当所研究的是一个变量对两个或两个以上其他变量的相关关系时，称为量的相关关系时，称为复相关复相关。n在某一现象与多种现象相关的场合，假定其他变在某一现象与多种现象相关的场合，假定其他变量不变，专门考察其中两个变量的相关关系称为量不变，专门考察其中两个变量的相关关系称为偏相关。例如，在假定人们的收入水平不变的条偏相关。例如，在假定人们的收入水平不变的条件下，某种商品的需求与其价格水平的关系就是件下，某种商品的需求与其价格水平的关系就是一种一种偏相关偏相关。二、相关关系的种类二、相关关系的种类 9三、相关分析与回归分析三、相关分
7、析与回归分析 n相关分析相关分析是用一个指标来表明现象间相互依是用一个指标来表明现象间相互依存关系的密切程度。存关系的密切程度。n回归分析回归分析是根据相关关系的具体形态，选择是根据相关关系的具体形态，选择一个合适的数学模型，来近似地表达变量间一个合适的数学模型，来近似地表达变量间的平均变化关系。的平均变化关系。n相关分析和回归分析有着密切的相关分析和回归分析有着密切的联系联系，它们，它们不仅具有共同的研究对象，而且在具体应用不仅具有共同的研究对象，而且在具体应用时，常常必须互相补充。时，常常必须互相补充。10相关分析与回归分析之间的区别相关分析与回归分析之间的区别相关分析相关分析研究变量之间
8、相关的方向和相关的程研究变量之间相关的方向和相关的程度。回归分析则是研究变量之间相互关系的度。回归分析则是研究变量之间相互关系的具体形式，它对具有相关关系的变量之间的具体形式，它对具有相关关系的变量之间的数量联系进行测定，确定一个相关的数学表数量联系进行测定，确定一个相关的数学表达式，根据这个数学方程式可以从已知量来达式，根据这个数学方程式可以从已知量来推测未知量，从而为估算和预测提供一个重推测未知量，从而为估算和预测提供一个重要的方法。要的方法。11相关分析相关分析不能指出变量间相互关系的具体形式，也无不能指出变量间相互关系的具体形式，也无法从一个变量的变化来推测另一个变量的变化情况。法从一
9、个变量的变化来推测另一个变量的变化情况。可以不必确定变量中哪个是自变量，哪个是因变量，可以不必确定变量中哪个是自变量，哪个是因变量，其所涉及的变量可以都是随机变量。而回归分析则其所涉及的变量可以都是随机变量。而回归分析则必须事先研究确定具有相关关系的变量中哪个为自必须事先研究确定具有相关关系的变量中哪个为自变量，哪个为因变量。一般地说，回归分析中因变变量，哪个为因变量。一般地说，回归分析中因变量是随机的，而把自变量作为研究时给定的非随机量是随机的，而把自变量作为研究时给定的非随机变量。变量。n在应用项关于回归分析方法对客观现象进行研究时，在应用项关于回归分析方法对客观现象进行研究时，一定要始终
10、注意一定要始终注意把定性分析和定量分析结合把定性分析和定量分析结合起来，起来，在定性分析的基础上开展定量分析。在定性分析的基础上开展定量分析。相关分析与回归分析之间的区别相关分析与回归分析之间的区别12把定性分析和定量分析结合把定性分析和定量分析结合n【例【例7-1】教堂数与监狱服刑人数同步增长。】教堂数与监狱服刑人数同步增长。(引自吴柏林引自吴柏林现代统计学，吴南图书出版有限公司，年版。现代统计学，吴南图书出版有限公司，年版。)n美国印第安纳州的地区教会想要筹款兴建新教堂，提出教堂美国印第安纳州的地区教会想要筹款兴建新教堂，提出教堂能洁净人们的心灵，减少犯罪，降低监狱服刑人数的口号。能洁净人
11、们的心灵，减少犯罪，降低监狱服刑人数的口号。为了增进民众参与的热诚和信心，教会的神父收集了近为了增进民众参与的热诚和信心，教会的神父收集了近年的教堂数与在监狱服刑的人数进行统计分析。结果却令教年的教堂数与在监狱服刑的人数进行统计分析。结果却令教会大吃一惊。最近年教堂数与监狱服刑人数呈显著的正会大吃一惊。最近年教堂数与监狱服刑人数呈显著的正相关。那么是否可以由此得出，教堂建得越多，就可能带来相关。那么是否可以由此得出，教堂建得越多，就可能带来更多的犯罪呢？经过统计学家和教会神父深入讨论，并进一更多的犯罪呢？经过统计学家和教会神父深入讨论，并进一步收集近年的当地人口变动资料和犯罪率等资料作进一步收
12、集近年的当地人口变动资料和犯罪率等资料作进一步分析，发现监狱服刑人数的增加和教堂数的增加都与人口步分析，发现监狱服刑人数的增加和教堂数的增加都与人口的增加有关。教堂数的增加并非监狱服刑人数增加的原因。的增加有关。教堂数的增加并非监狱服刑人数增加的原因。至此，教会人士总算松了一口气。至此，教会人士总算松了一口气。13四、相关图四、相关图 n相关图相关图又称散点图。它是又称散点图。它是以直角坐标系的横轴代表以直角坐标系的横轴代表变量变量X，纵轴代表变量，纵轴代表变量Y,将将两个变量间相对应的变量两个变量间相对应的变量值用坐标点的形式描绘出值用坐标点的形式描绘出来，用来反映两变量之间来，用来反映两变
13、量之间相关关系的图形。相关关系的图形。14第二节第二节 简单线性相关与回归分析简单线性相关与回归分析 n一、相关系数及其检验一、相关系数及其检验n二、标准的一元线性回归模型二、标准的一元线性回归模型n三、一元线性回归模型的估计三、一元线性回归模型的估计n四、一元线性回归模型的检验四、一元线性回归模型的检验n五、一元线性回归模型预测五、一元线性回归模型预测15一、相关系数及其检验一、相关系数及其检验（一）相关系数的定义（一）相关系数的定义 n总体相关系数的定义式是总体相关系数的定义式是 总体相关系数是反映两变量之间线性相关程度的一种特征值，总体相关系数是反映两变量之间线性相关程度的一种特征值，表
14、现为一个常数。表现为一个常数。n样本相关系数的定义公式是样本相关系数的定义公式是 上式中，上式中，和和 分别是分别是和和的样本平均数。的样本平均数。样本相关系数是根据样本观测值计算的，抽取的样本不同，样本相关系数是根据样本观测值计算的，抽取的样本不同，其具体的数值也会有所差异。样本相关系数是总体相关系数其具体的数值也会有所差异。样本相关系数是总体相关系数的一致估计量。的一致估计量。(,)()()Cov X YVar X Var Y22)()()(YYXXYYXXrttttXY16（二）相关系数的特点（二）相关系数的特点 r的取值介于的取值介于-1与与1之间之间1、当、当r=0时，与的样本观测值
15、之间没有时，与的样本观测值之间没有线性线性关系。关系。2、在大多数情况下，、在大多数情况下，0r0时，与为时，与为正相关正相关，当，当r0时，时，与与为为负相关负相关。3、如果、如果r=1，则表明，则表明与与完全线性相关，当完全线性相关，当r=1时，称为时，称为完全正相关完全正相关，而，而-1时，称为时，称为完全负相关完全负相关。4、是对变量之间线性相关关系的度量。是对变量之间线性相关关系的度量。r=0，并不意味着，并不意味着与与之间不存在其他类型的关系。对于二者之间可能存在的之间不存在其他类型的关系。对于二者之间可能存在的非线性相关关系，需要利用其他指标去进行分析。非线性相关关系，需要利用其
16、他指标去进行分析。17（三）相关系数的计算（三）相关系数的计算 相关系数的计算相关系数的计算 n具体计算样本相关系数时，通常利用以下公具体计算样本相关系数时，通常利用以下公式：式：)()(2222ttttttttYYnXXnYXYXnr18【例【例7-2】1992年年-2003年我国城镇居民人均年消费性支出和人均年可支配收入有年我国城镇居民人均年消费性支出和人均年可支配收入有关资料如下，试计算消费性支出与可支配收入间的相关系数。关资料如下，试计算消费性支出与可支配收入间的相关系数。（三）相关系数的计算（三）相关系数的计算 19n【例【例7-2】表】表7-1是是 1992年年-2003年我国城镇
17、居民人均年我国城镇居民人均年消费性支出和人均年可支配收入的有关资料，试年消费性支出和人均年可支配收入的有关资料，试计算消费性支出与可支配收入的样本相关系数。计算消费性支出与可支配收入的样本相关系数。0.999097)073.507719.23221)(976.626661.37221(073.50976.624539.2942122r（三）相关系数的计算（三）相关系数的计算 20（四）相关系数的检验（四）相关系数的检验 n对总体相关系数对总体相关系数 是否等于进行检验。是否等于进行检验。n计算相关系数计算相关系数r的的值：值：n根据给定的显著性水平和自由度（根据给定的显著性水平和自由度（n-2
18、），查找），查找分布表中相应的临界值分布表中相应的临界值t/2。若。若tt/2，表明，表明在统计上是显著的。在统计上是显著的。若若tt/2，表明，表明在统计在统计上是不显著的。上是不显著的。212rnrt21（四）相关系数的检验（四）相关系数的检验【例【例7-3】假设根据对样本观测数据计算出某公司的股票价格】假设根据对样本观测数据计算出某公司的股票价格与气温的样本相关系数与气温的样本相关系数r=0.5，试问是否可以根据的显著水，试问是否可以根据的显著水平认为该公司的股票与气温之间存在一定程度的线性相关关系平认为该公司的股票与气温之间存在一定程度的线性相关关系?解：解：0：；1：的检验值的检验值
19、 查表可知：显著水平为，自由度为的临界值查表可知：显著水平为，自由度为的临界值t/2=2.776,上上式中的式中的t值小于值小于2.776，因此，因此，不能通过显著性检验。这就是说，不能通过显著性检验。这就是说，尽管根据样本观测值计算的尽管根据样本观测值计算的达到达到0.5，但是由于样本单位过少，但是由于样本单位过少，这一结论并不可靠，它不足以证明该公司的股票与气温之间存这一结论并不可靠，它不足以证明该公司的股票与气温之间存在一定程度的线性相关关系。在一定程度的线性相关关系。1547.1122rnrt22二、标准的一元线性回归模型二、标准的一元线性回归模型（一）总体回归函数（一）总体回归函数
20、n上式被称为总体回归函数。式中的上式被称为总体回归函数。式中的1和和2是未知的是未知的参数，又叫回归系数。参数，又叫回归系数。t和和t分别是分别是和和的第的第个观测值。个观测值。u t是随机误差项，又称随机干扰项，它是随机误差项，又称随机干扰项，它是一个特殊的随机变量，反映未列入方程式的其他是一个特殊的随机变量，反映未列入方程式的其他各种因素对各种因素对的影响。的影响。tttuXY2123（二）样本回归函数（二）样本回归函数 在现实问题研究中，由于所要研究的现象的总体单位数一般是在现实问题研究中，由于所要研究的现象的总体单位数一般是很多的，在许多场合甚至是无限的，因此无法掌握因变量很多的，在许
21、多场合甚至是无限的，因此无法掌握因变量总体的全部取值。也就是说，总体回归函数事实上是未知的，总体的全部取值。也就是说，总体回归函数事实上是未知的，需要利用样本的信息对其进行估计。需要利用样本的信息对其进行估计。一元线性回归模型的样本回归线可表示为：一元线性回归模型的样本回归线可表示为：式中式中 的是样本回归线上与的是样本回归线上与t相对应的相对应的值，可视为值，可视为(t)的估计；的估计；是样本回归函数的截距系数，是样本回归函数的截距系数，是样本回归函数是样本回归函数的斜率系数，它们是对总体回归系数的斜率系数，它们是对总体回归系数1和和2的估计。的估计。ttXY21tY1224n实际观测到的因
22、变量实际观测到的因变量t值，并不完全等于值，并不完全等于 ，如果，如果用用t表示二者之差表示二者之差(),则有：则有：n （，（，.）n上式称为样本回归函数。式中上式称为样本回归函数。式中t称为残差。称为残差。tYtteXYt21（二）样本回归函数（二）样本回归函数 25样本回归函数与总体回归函数之间的间的区别样本回归函数与总体回归函数之间的间的区别1、总体回归线总体回归线是未知的，它只有一条。而样本是未知的，它只有一条。而样本回归线则是根据样本数据拟合的，每抽取一回归线则是根据样本数据拟合的，每抽取一组样本，便可以拟合一条样本回归线。组样本，便可以拟合一条样本回归线。2、总体回归函数中的、总
23、体回归函数中的1和和2是是未知的参数未知的参数，表，表现为常数。而样本回归函数中的现为常数。而样本回归函数中的 和和 是是随随机变量机变量，其具体数值随所抽取的样本观测值，其具体数值随所抽取的样本观测值不同而变动。不同而变动。12（二）样本回归函数（二）样本回归函数 26样本回归函数与总体回归函数之间的区别样本回归函数与总体回归函数之间的区别3、总体回归函数中的、总体回归函数中的u t是是t与未知的总与未知的总体回归线之间的纵向距离，它是不可直体回归线之间的纵向距离，它是不可直接观测的。接观测的。样本回归函数中的样本回归函数中的t是是t与样本回归线之间与样本回归线之间的纵向距离，当根据样本观测
24、值拟合出样的纵向距离，当根据样本观测值拟合出样本回归线之后，可以计算出本回归线之后，可以计算出t的具体数值。的具体数值。（二）样本回归函数（二）样本回归函数 27(三三)误差项的标准假定误差项的标准假定 n假定：误差项的期望值为，即对所有的总有假定：误差项的期望值为，即对所有的总有n假定：误差项的方差为常数，即对所有的总有假定：误差项的方差为常数，即对所有的总有n假定：误差项之间不存在序列相关关系，其协方假定：误差项之间不存在序列相关关系，其协方差为零，即当差为零，即当时有：时有：0)(tuE22)()(ttuEuVar0)Cov(stuu28(三三)误差项的标准假定误差项的标准假定 n假定：
25、自变量是给定的变量，与随机误差项线性假定：自变量是给定的变量，与随机误差项线性无关。无关。n假定：随机误差项服从正态分布。假定：随机误差项服从正态分布。满足以上标准假定的一元线性模型，称为标准的一满足以上标准假定的一元线性模型，称为标准的一元线性回归模型。元线性回归模型。29三、一元线性回归模型的估计三、一元线性回归模型的估计（一）回归系数的点估计（一）回归系数的点估计n所谓最小二乘法就是根据这一思路，是通过使残差所谓最小二乘法就是根据这一思路，是通过使残差平方和为最小来估计回归系数的一种方法。平方和为最小来估计回归系数的一种方法。22)(tttYYeQ设221)(ttXY0)(221ttXY
26、0)(221tttXYX30三、一元线性回归模型的估计三、一元线性回归模型的估计（一）回归系数的点估计（一）回归系数的点估计加以整理后有加以整理后有222)(ttttttXXnYXYXnttYXn21ttttYXXX221以上方程组称为正规方程组或标准方程组，式中的以上方程组称为正规方程组或标准方程组，式中的是样本容量。求解这一方程组可得：是样本容量。求解这一方程组可得：XYnXnYtt22131（一）回归系数的点估计（一）回归系数的点估计n【例【例7-】我们利用例】我们利用例7-2的表的表7-1中已给出我国历年中已给出我国历年城镇居民人均消费支出和人均可支配收入的数据，城镇居民人均消费支出和
27、人均可支配收入的数据，来估计我国城镇居民的边际消费倾向和基础消费水来估计我国城镇居民的边际消费倾向和基础消费水平。平。n解：解：t12tut=50.07312-0.751162.976120.23107511.062.976372.666112 50.07362.976 294.45391222132（一）回归系数的点估计（一）回归系数的点估计n【例【例7-】我们利用例】我们利用例7-2的表的表7-1中已给出我国历年中已给出我国历年城镇居民人均消费支出和人均可支配收入的数据，城镇居民人均消费支出和人均可支配收入的数据，来估计我国城镇居民的边际消费倾向和基础消费水来估计我国城镇居民的边际消费倾向
28、和基础消费水平。平。n样本回归方程为：样本回归方程为：n上式中：上式中：0.7511是边际消费倾向，表示人均可支配是边际消费倾向，表示人均可支配收入每增加收入每增加1千元，人均消费支出会增加千元，人均消费支出会增加0.7511千元；千元；0.2310是基本消费水平，即与收入无关最基本的人是基本消费水平，即与收入无关最基本的人均消费为均消费为0.2310千元。千元。ttXY7511.02310.033（二）总体方差的估计（二）总体方差的估计 数学上可以证明，数学上可以证明，2的无偏估计的无偏估计S2可由下式给出：可由下式给出：式中，分子是残差平方和式中，分子是残差平方和,分母是自由度，其中是样本
29、观测值分母是自由度，其中是样本观测值的个数，是一元线性回归方程中回归系数的个数。）的个数，是一元线性回归方程中回归系数的个数。）S2的的正平方根又叫做回归估计的标准误差。正平方根又叫做回归估计的标准误差。一般采用以下公式计算残差平方和：一般采用以下公式计算残差平方和：上式的推导过程如下：上式的推导过程如下：222neSttttttYXYYe2122tttttttttttttYXYYXYYeYeXYe21221212)()(34n【例【例7-】根据例】根据例7-中给出的有关数据和例中给出的有关数据和例7-中已得到的回归系数估计值，计算我国城镇居民消中已得到的回归系数估计值，计算我国城镇居民消费函
30、数的总体方差费函数的总体方差S2和回归估计标准差和回归估计标准差S。n解：根据例解：根据例7-中给出的有关数据和例中给出的有关数据和例7-中已得中已得到的回归系数估计值，可得：到的回归系数估计值，可得：=232.7719-0.231050.073-0.7511294.4539=0.0407S2=0.0407/(12-2)=0.00407 进而有：进而有：S=0.0638 2te（二）总体方差的估计（二）总体方差的估计 35（三）最小二乘估计量的性质（三）最小二乘估计量的性质按照最小二乘法求得的估计总体回归系数的数学公式按照最小二乘法求得的估计总体回归系数的数学公式是样本观测值的函数，通常称之为
31、最小二乘估计量。是样本观测值的函数，通常称之为最小二乘估计量。可以证明，在标准假定能够得到满足的条件下，回归可以证明，在标准假定能够得到满足的条件下，回归系数的最小二乘估计量的期望值等于其真值，即有：系数的最小二乘估计量的期望值等于其真值，即有：其方差为：其方差为：和和 的期望值与方差的推导过程基本类似。的期望值与方差的推导过程基本类似。11)(E22)(E122221)(1)(1XXXnVart2222)()(2XXVart36数学上可以证明：最小二乘估计量是因变量观测值数学上可以证明：最小二乘估计量是因变量观测值t的线性函的线性函数，其期望值等于总体回归系数的真值。因此，最小二乘估数，其期
32、望值等于总体回归系数的真值。因此，最小二乘估计量是总体回归系数的线性无偏估计量。数学上还可以进一计量是总体回归系数的线性无偏估计量。数学上还可以进一步证明，在所有的线性无偏估计量中，回归系数的最小二乘步证明，在所有的线性无偏估计量中，回归系数的最小二乘估计量的方差最小；同时随着样本容量的增大，其方差会不估计量的方差最小；同时随着样本容量的增大，其方差会不断缩小。也就是说，回归系数的最小二乘估计量是最优线性断缩小。也就是说，回归系数的最小二乘估计量是最优线性无偏估计量和一致估计量。无偏估计量和一致估计量。高斯高斯-马尔可夫定理表明，在标准的假定条件下，最小二乘估计马尔可夫定理表明，在标准的假定条
33、件下，最小二乘估计量是一种最佳的估计方式。但是应当明确，这并不意味着根量是一种最佳的估计方式。但是应当明确，这并不意味着根据这一方式计算的每一个具体的估计值都比根据其他方式计据这一方式计算的每一个具体的估计值都比根据其他方式计算的具体估计值更接近真值，而只是表明如果反复多次进行算的具体估计值更接近真值，而只是表明如果反复多次进行估计值计算或是扩大样本的容量进行估计值计算，按最佳估估计值计算或是扩大样本的容量进行估计值计算，按最佳估计方式计算的估计值接近真值的可能性（概率）最大。计方式计算的估计值接近真值的可能性（概率）最大。（三）最小二乘估计量的性质（三）最小二乘估计量的性质37（四）回归系数
34、的区间估计（四）回归系数的区间估计 n根据第五章中介绍的关于参数区间估计的原理，可根据第五章中介绍的关于参数区间估计的原理，可得到以下回归系数区间估计的公式：得到以下回归系数区间估计的公式：（j=1,2）n式中，式中，是回归系数估计的样本标准误差，是回归系数估计的样本标准误差，是是显著水平为显著水平为，自由度为，自由度为(n-2)的分布双侧临界值。的分布双侧临界值。jStnj)2(2/jS/2(2)nt121()tXSnXX22()tSSXX38【例【例7-6】利用例】利用例7-的有关资料和例的有关资料和例7-与例与例7-的结果，对的结果，对例例7-中估计的我国城镇居民边际消费倾向进行置信度为
35、中估计的我国城镇居民边际消费倾向进行置信度为95的区间估计。的区间估计。解：解：查分布表可知：显著水平为，自由度为查分布表可知：显著水平为，自由度为10的分布双的分布双侧临界值是侧临界值是2.228，前面已求得，前面已求得 ，将其代入回归，将其代入回归系数区间估计的公式系数区间估计的公式，可得：，可得：220.06380.0098372.6661 62.976/12S20.75110980.0282.25117.00980.0282.25117.0220.72930.7729即即（四）回归系数的区间估计（四）回归系数的区间估计 39四、一元线性回归模型的检验四、一元线性回归模型的检验（一）（一
36、）回归模型检验的种类回归模型检验的种类回归模型的检验包括理论意义检验、一级检验和二级检验。回归模型的检验包括理论意义检验、一级检验和二级检验。理论意义检验主要涉及参数估计值的符号和取值区间，如果它理论意义检验主要涉及参数估计值的符号和取值区间，如果它们与实质性科学的理论以及人们的实践经验不相符，就说明们与实质性科学的理论以及人们的实践经验不相符，就说明模型不能很好地解释现实的现象。例如，在前面所举的消费模型不能很好地解释现实的现象。例如，在前面所举的消费函数中，函数中，2的取值区间应在至之间。的取值区间应在至之间。在对实际的社会经济现象进行回归分析时，常常会遇到经济意在对实际的社会经济现象进行
37、回归分析时，常常会遇到经济意义检验不能通过的情况。造成这一结果的主要原因是：社会义检验不能通过的情况。造成这一结果的主要原因是：社会经济的统计数据无法像自然科学中的统计数据那样通过有控经济的统计数据无法像自然科学中的统计数据那样通过有控制的实验去取得，因而所观测的样本容量有可能偏小，不具制的实验去取得，因而所观测的样本容量有可能偏小，不具有足够的代表性，或者不能满足标准线性回归分析所要求的有足够的代表性，或者不能满足标准线性回归分析所要求的假定条件假定条件。40一级检验一级检验又称统计学检验，它是利用统计学中的抽样又称统计学检验，它是利用统计学中的抽样理论来检验样本回归方程的可靠性，具体又可分
38、为理论来检验样本回归方程的可靠性，具体又可分为拟合程度评价和显著性检验。一级检验是对所有现拟合程度评价和显著性检验。一级检验是对所有现象进行回归分析时都必须通过的检验。象进行回归分析时都必须通过的检验。二级检验二级检验又称经济计量学检验，它是对标准线性回归又称经济计量学检验，它是对标准线性回归模型的假定条件能否得到满足进行检验，具体包括模型的假定条件能否得到满足进行检验，具体包括序列相关检验、异方差性检验、多重共线性检验等。序列相关检验、异方差性检验、多重共线性检验等。二级检验对于社会经济现象的定量分析具有特别重二级检验对于社会经济现象的定量分析具有特别重要的意义。要的意义。四、一元线性回归模
39、型的检验四、一元线性回归模型的检验 41（二）拟合程度的评价（二）拟合程度的评价n总离差平方和的分解总离差平方和的分解对任一实际观测值对任一实际观测值t总有：总有：对上式两边取平方并求和，得到：对上式两边取平方并求和，得到：可以证明：可以证明：从而有：从而有：即即 ()()()()ttttttYYYYYYYYe222()()()2()()tttttttYYYYYYYYYY()()0tttYYYY222()()()ttttYYYYYY四、一元线性回归模型的检验四、一元线性回归模型的检验 42上式中，是总离差平方和；是由回归直线可以解上式中，是总离差平方和；是由回归直线可以解释的那一部分离差平方和
40、，称为回归平方和；是用回释的那一部分离差平方和，称为回归平方和；是用回归直线无法解释的离差平方和，称为残差平方和。式子两边归直线无法解释的离差平方和，称为残差平方和。式子两边同除以，得：同除以，得：显而易见，各个样本观测点与样本回归直线靠得越紧，显而易见，各个样本观测点与样本回归直线靠得越紧，SSR在在SST中所占的比例就越大。因此，可定义这一比例为决定系中所占的比例就越大。因此，可定义这一比例为决定系数，即有：数，即有：决定系数是对回归模型拟合程度的综合度量，决定系数越大，决定系数是对回归模型拟合程度的综合度量，决定系数越大，模型拟合程度越高。决定系数越小，则模型对样本的拟合程模型拟合程度越
41、高。决定系数越小，则模型对样本的拟合程度越差。度越差。1SSRSSESSTSST21SSRSSErSSTSST 四、一元线性回归模型的检验四、一元线性回归模型的检验 43（二）拟合程度的评价（二）拟合程度的评价n决定系数决定系数r2具有如下特性：具有如下特性：n1决定系数决定系数r2具有非负性。具有非负性。由决定系数的定义式可知，由决定系数的定义式可知，r2的分子分母均的分子分母均是不可能为负值的平方和，因此其比值必大于零。是不可能为负值的平方和，因此其比值必大于零。（但是在回归模型中不包括截距项的场合，（但是在回归模型中不包括截距项的场合，由于由于总离差平方和的分解公式不成立，按该式计算的总
42、离差平方和的分解公式不成立，按该式计算的r2有可能小于。有可能小于。）n2决定系数的取值范围为决定系数的取值范围为 r2。n3决定系数是样本观测值的函数，它也是一个统决定系数是样本观测值的函数，它也是一个统计量。计量。n4在一元线性回归模型中，决定系数是单相关系在一元线性回归模型中，决定系数是单相关系数的平方。数的平方。44（二）拟合程度的评价（二）拟合程度的评价n【例【例7-7】利用例】利用例7-5中计算的残差平方和，计中计算的残差平方和，计算例算例7-3所拟合的样本回归方程的决定系数。所拟合的样本回归方程的决定系数。n解：解：上式中的上式中的SST是利用表是利用表7-1中给出的数据按下中给
43、出的数据按下式计算的：式计算的：20.040710.998223.8298SSErSST 222()/232.7719(50.073)/1223.8298ttSSTYYn45（三）显著性检验（三）显著性检验 n所谓回归系数的显著性检验，就是根据样本所谓回归系数的显著性检验，就是根据样本估计的结果对总体回归系数的有关假设进行估计的结果对总体回归系数的有关假设进行检验。检验。n下面我们以下面我们以2的检验为例，介绍回归系数显著的检验为例，介绍回归系数显著性检验的基本步骤：性检验的基本步骤：461t 检验检验（1）提出假设。）提出假设。对回归系数进行显著性检验，所提出的假设对回归系数进行显著性检验，
44、所提出的假设的一般形式是：的一般形式是：式中，式中，o表示原假设；表示原假设；1表示备择假设；表示备择假设；是假设的总体回归系数的真值。在许多回归是假设的总体回归系数的真值。在许多回归分析的计算机程序里，常常令分析的计算机程序里，常常令 0。这是因。这是因为为2 是否为，可以表明是否为，可以表明对对是否有显著是否有显著的影响。的影响。*022122:,:HH*2*2（三）显著性检验（三）显著性检验 47（2）确定显著水平）确定显著水平。显著水平的大小应根据犯哪一类错误可能带显著水平的大小应根据犯哪一类错误可能带来损失的大小确定。一般情况下可取来损失的大小确定。一般情况下可取0.05。（3）计算
45、回归系数的值。）计算回归系数的值。上式中，是回归系数估计的标准误差。上式中，是回归系数估计的标准误差。22*22tS（三）显著性检验（三）显著性检验 48（4）确定临界值。）确定临界值。t检验的临界值是由显著水平和自由度检验的临界值是由显著水平和自由度df决定的。决定的。这这时应该注意，原假设和备择假设设定的方式不同，时应该注意，原假设和备择假设设定的方式不同，据以判断的接受域和拒绝域也不相同。例如，对据以判断的接受域和拒绝域也不相同。例如，对0：2=0，1：20,进行的是双侧进行的是双侧检验；而对检验；而对0：2=0.9，1：2k。我们称这条假定为标准假定。我们称这条假定为标准假定6。tkt
46、kttuXXY221tktktteXXY22166（一）回归系数的估计（一）回归系数的估计 n多元线性回归模型中回归系数的估计同样采用最小二乘法。多元线性回归模型中回归系数的估计同样采用最小二乘法。设设n根据微积分中求极小值的原理，可知残差平方和存在极小根据微积分中求极小值的原理，可知残差平方和存在极小值，欲使达到最小，值，欲使达到最小，对对 的偏导数必须等于零。的偏导数必须等于零。将对将对 求偏导数，并令其等于零，加以整理后可求偏导数，并令其等于零，加以整理后可得到以下个方程式：得到以下个方程式：n以上元一次方程组称为正规方程组或标准方程组，通过求以上元一次方程组称为正规方程组或标准方程组，
47、通过求解这一方程组便可以得到解这一方程组便可以得到 。222122)()(ktktttttXXYYYeQk，、21k，、21tktktkkttktttkttktttktktYXXXXXYXXXXXYXXn22212222221221k，、2167（二）总体方差的估计（二）总体方差的估计 n多元线性回归模型中的多元线性回归模型中的2也是利用残差平方和除以其自由度也是利用残差平方和除以其自由度来估计的。即有：来估计的。即有：n上式中，上式中，n是样本观测值的个数；是样本观测值的个数；k是方程中回归系数的个数；是方程中回归系数的个数；数学上可以证明，数学上可以证明，S2是是2的无偏估计。的无偏估计。
48、S2的正平方根的正平方根S又叫做又叫做回归估计的标准误差。回归估计的标准误差。S越小表明样本回归方程的代表性越越小表明样本回归方程的代表性越强。强。n在编制计算机程序时，残差平方和一般不是按照其定义式计在编制计算机程序时，残差平方和一般不是按照其定义式计算，而是利用以下公式计算：算，而是利用以下公式计算：n上式是残差平方和的矩阵形式。式中上式是残差平方和的矩阵形式。式中Y是因变量样本观测值是因变量样本观测值向量；向量；X是自变量样本观测值矩阵；是自变量样本观测值矩阵；是回归系数估计值向是回归系数估计值向量的转置向量。量的转置向量。kneSt22YXYYee2te68三、多元线性回归模型的检验和
49、预测三、多元线性回归模型的检验和预测（一）拟合程度的评价（一）拟合程度的评价n利用利用R2来评价多元线性回归方程的拟合程度，必须注意以下来评价多元线性回归方程的拟合程度，必须注意以下问题。问题。n由决定系数的定义可知，由决定系数的定义可知，R2的大小取决于残差平方和的大小取决于残差平方和 在在总离差平方和总离差平方和 中所占的比重。在样本容量一定的中所占的比重。在样本容量一定的条件下，总离差平方和与自变量的个数无关，而残差平方和条件下，总离差平方和与自变量的个数无关，而残差平方和则会随着模型中自变量个数的增加不断减少，至少不会增加。则会随着模型中自变量个数的增加不断减少，至少不会增加。因此，因
50、此，R2是自变量个数的非递减函数。是自变量个数的非递减函数。在一元线性回归模在一元线性回归模型中，所有模型包含的变量数目都相同，如果所使用的样本型中，所有模型包含的变量数目都相同，如果所使用的样本容量也一样，决定系数便可以直接作为评价拟合程度的尺度。容量也一样，决定系数便可以直接作为评价拟合程度的尺度。然而在多元线性回归模型中，各回归模型所含的变量的数目然而在多元线性回归模型中，各回归模型所含的变量的数目未必相同，以未必相同，以R2的大小作为衡量拟合优劣的尺度是不合适的。的大小作为衡量拟合优劣的尺度是不合适的。222)(1YYeRtt2te2)YYt（69n在多元回归分析中，人们更常用的评价指
