简单线性回归的假设检验
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
第十一章 简单线性回归分析
二、线性回归的假设检验
回归方程有统计学意义吗? • 假设检验包括两个方面:
1. 回归模型是否成立(model test ):方差分析
2. 总体回归系数是否为零(parameter test ): t 检验。
X Y 1584 . 0 1353 . 0 ˆ + - =
总变异的分解: Y
Y - Y
Y - ˆ Y
Y ˆ - Y
P
X
Y Y 图103 Y 的总变异分解示意图
总变异的分解:
å å å - + - = - 2 2 2
) ˆ ( ) ˆ ( ) ( Y Y Y Y Y Y 残差
回归 总 SS SS SS + = 1 - = n 总 n 1 = 回归 n 2
- = n 残差 n 残差
回归 总 n n n + =
残差
SS 总
SS 回归
SS 图114 回归效果示意图
回归模型的假设检验:
H :总体回归方程不成立或总体中自变量 X 对
因变量Y 没有贡献
H :总体回归方程成立或总体中自变量 X 对因
1
变量Y 有贡献
a =0.05
残差
回归 残差 残差 回归
回归 MS MS SS SS F = = n n / /
对例 101 的回归方程 X Y
1584 . 0 1353 . 0 ˆ + - = 进行方差分 析,结果如表 102 所示(假设检验步骤略)。
表102 简单线性回归模型方差分析表
变异来源
SS df MS F P 回
归 0.0530 1 0.0530 41.376 <0.0001 残 差 0.0282 22 0.0013
总 变 异 0.0812 23
由表 102 首行末列可见,P<0.0001,按a =0.05 水准, 可认为 NO 浓度与车流量之间的回归方程具有统计学 意义。
回归系数的假设检验: H :b =0
H :b ≠0
1
a =0.05
b S b t 0 - = 2
n u =- ( ) å - = 2 . X X S S X Y b 2 . - = n SS S X Y 残差
残差的标准差
接上例,经计算得(假设检验步骤略):
X Y S . =0.0358, b S =0.0246,
|t |= F =6.432, 2 n u =- =22
由统计量t 得P <0.0001,按a =0.05水准,拒绝
0 H ,故可认为该回归系数具有统计学意义。 注意:对于服从双变量正态分布的同样一组资料,若 同时做了相关分析和回归分析,则相关系数的t 检验 与回归系数的t 检验等价,且 b r t t = 。
总体回归系数的区间估计:
/2, b
b t S a u ± 0.1584±2.074×0.0246=(0.1074,0.2095)
车流量对NO 浓度的影响有多大? 总 回归 SS SS R = 2 决定系数 % 27 . 65 6527 . 0 0812
. 0 0530 . 0 2 = = = = 总 回归
SS SS R
线性回归分析的前提条件:LINE
1. 线性(linear):反应变量与自变量的呈线性变化趋势。
2. 独立性(independence):任意两个观察值相互独立,
一个个体的取值不受其他个体的影响。
前提条件(续):
3. 正态性(normal distribution):在给定值X时,Y的
取值服从正态分布
4. 等方差性(equal variance): 对应于不同的X 值,Y
值的总体变异相同 。
1
m 2
m 3
m X=3时
Y 的分布
X=1时
Y 的分布 X=2时 Y 的分布
回归线 Y
X 2 3 1 图11-2 回归模型前提假设立体示意图
THE END
谢谢!