回归分析用于：
–根据至少一个自变量的值来预测因变量的值
–解释自变量变化对因变量的影响
真实存在的回归模型表达式：
通过提取部分样本，得到的简单回归分析模型：
通过找到最小化残差平方和（误差）之和的b0和b1值来获得b0和b1：
线性回归方程的解释能力
总变化由两部分组成：
线性回归假设
•真正的关系形式是线性的（Y是X的线性函数，加上随机误差）
•误差项εi与x值无关
•误差项是均值为0且方差为σ2的随机变量（统一方差属性称为均方差）
•随机误差项εi彼此不相关，因此
其中F遵循具有k分子和（n – k-1）分母自由度的F分布（k =回归模型中自变量的数量）。
基于F分布的斜率假设检验：
斜率为零的假设的另一种检验：
简单回归中的步骤：
1.陈述研究假设。
2.陈述原假设
3.收集数据
4.首先分别评估每个变量（获得集中趋势的度量和分散； 频率分布； 图）;变量是正态分布的吗？
5.根据数据计算回归方程
6.计算并检查关联和测试的适当度量
每个系数和整个方程的统计意义
7.接受或拒绝原假设
8.拒绝或接受研究假设
9.解释调查结果的实际含义
扫一扫
7383
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
