应用回归分析(2)：一元线性回归_回归的残差是否是独立同分布的随机变量

最新推荐文章于 2025-01-17 16:35:57 发布

2401_84418883

最新推荐文章于 2025-01-17 16:35:57 发布

阅读量475

点赞数 3

分类专栏：程序员文章标签：回归线性回归数据挖掘

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/2401_84418883/article/details/138400067

版权

本文探讨了统计学中的关键概念，如无偏性、方差、协方差及其在回归分析中的应用，包括线性无偏估计、T检验、F检验和ANOVA。同时涉及了相关系数、决定系数、残差分析以及SPSS中的数据分析方法，以及回归预测在实际问题中的使用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

（2）无偏性

（3）方差

（4）\beta_0,\beta_1协方差

！！！结论：

1、由方差可以得到的结论：x的取值尽量分散而且n尽量较大，这样估计值的稳定性会好

2、由协方差的式子可知： $\overline{x}=0$ 时， $\beta_0,\beta_1$ 不相关

3、高斯-马尔柯夫条件： $E(\varepsilon _i) = 0;var(\varepsilon _i)=\delta ^2;cov(\varepsilon_i, \varepsilon _j) = 0$ 。在此条件下可以证明出： $\hat{\beta_0},\hat{\beta_1}$ 分别时 $\beta_0,\beta_1$ 的最佳线性无偏估计（BLUE），也称为最小方差线性无偏估计。

4、对于固定的 $x_0$ 来说， $\hat{y_0}=\hat{\beta_0}+\hat{\beta_1}x_0$ 也是 $y_1,y_2,....,y_n$ 的线性组合，且 $\hat{y_0}\sim N(\beta_0+\beta_1x_0,(\frac{1}{n}+\frac{(x_0-\overline{x})^2}{L_{xx}})\delta ^2)$ ,由此可见 $\widehat{y_0}$ 是 $E(y_0)$ 的无偏估计。

最低0.47元/天解锁文章

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。