应用回归分析（知识点整理）（一）

文章目录

一、回归分析概述 1、回归分析、相关分析的联系与区别

联系：回归分析与相关分析都是研究变量间关系的统计系课题。

区别：

（1）在回归分析中，变量y为因变量；在相关分析中，y与x处于平等的地位。

（2）在回归分析中，y是随机变量，x可以是随机变量也可以是非随机的确定变量；

在相关分析中，y与x均为随机变量

（3）回归分析不仅解释了自变量x对因变量y的影响大小，还可以由回归方程进行回归与预测

相关分析主要是为了刻画两类变量间的线性相关的密切程度

2、建模的基本步骤

实际问题——确立指标变量——收集分析数据——构造理论模型——参数估计——统计诊断——模型应用

二、一元线性回归 1、模型的基本假设

通常一元线性回归模型的线性形式为：y=a+bx+c,

其中a和b是未知参数，a是回归常数，b是回归系数，c表示为其它随机因素的影响（误差项）

（1）误差项c一般满足等方差及不相关条件（高斯马尔科夫条件）：

E（c(i)）= 0 ; i=1,2,3……n

var(c(i))= s^2 ; i=1,2,3……n

cov(c(i),c(j)) = 0 ; i 和 j不相等 ; i=1,2,……n ; j=1,2……n

（2）因变量y和误差项c是都是相互独立的随机变量，自变量x则非随机变量，是确定性变量，其值可以精确测量和控制

（3）为了方便对参数进行区间估计和假设检验；通常假定误差项服从正态分布：c(i)~N(0,s^2) ; i=1,2,3……n

误差项c服从正态分布，进一步的随机变量y也服从正态分布：y(i)~N(a+bx(i),s^2) ; i=1,2,3……n

2、参数估计方法（思想应用分析，性质（最小二乘和极大似然估计）） 最小二乘法：

对每一个得到的样本观测值（x,y）,最小二乘法考虑观测值y(i)与其回归值E(y(i))=a+bx(i)的离差越小越好。

即Q（a,b）=sum(y(i) - a-bx(i))^2 ; sum表示i=1到n的累加

找到最小离差平方和min(Q),此时对应的a，b即为我们所求的最小二乘估计回归参数，记为A,B。

其中称y(i)-y为y(i)的残差，记为e(i)

则得到的残差平方和为sum(e^2(i)) = sum(y(i)-A-Bx(i))^2

对min(Q)通过微积分求极值的方法得到a,b的最小二乘估计为：

极大似然估计：

最小二乘估计性质：

（1）线性

即A,B为随机变量y(i)的线性函数

（2）无偏性

（3）A,B的方差

3、模型诊断（回归方程检验、回归系数检验、相关系数检验） t检验

t检验用于检验回归系数的显著性，检验的原假设为 H0 ：B = 0

回归系数的显著性检验就是检验自变量x对因变量y的影响程度是否是显著，若原假设成立，则因变量y与自变量x之间没有线性关系，即自变量x的变化对因变量y并无影响。

接受原假设，则表明一元线性回归不成立；反之则成立

F检验

F检验是根据平方和分解式，直接从回归效果检验回归方程的显著性。

平方和分解式为：SST = SSR + SSE

其中SST为总离差平方和；SSR为回归平方和；SSE为残差平方和。

在建立了y对x的一元线性回归方程后，SST就分解为SSR与SSE，其中SSR是由自变量x的波动引起的，SSE则是由未加控制的因素引起的；即能由自变量解释的部分为SSR，不能由自变量解释的部分为SSE，因此，SSR越大则证明回归方程效果越好。

相关系数的显著性检验

一元线性回归方程描述的是变量x与变量y之间的线性关系，所以可以用x与y之间的线性相关系数检验方程显著性。

4、预测（单点、区间、均值） 单值预测

即建立回归方程后，已知确定一点x0，y0 = a+bx0

区间预测

（置信度默认95%）

从上述证明过程中，可以看到，样本量n越大，则置信区间长度越短，此时预测精度高；

在进行预测中，x0不能偏离x的平均值太大，会影响测量结果

均值预测

（编辑：92站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!