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