应用统计学回归分析学习教案.pptx

会计学二、回归分析和相关分析
函数关系
函数关系反映客观事物之间存在着严格的依存关系。在这种关系中，当一个或几个变量取值一定时，另一个变量有确定的值与之相对(xiāngduì)应，并且这种关系可以用一个确定的数学表达式反映出来。
一般把作为影响因素的变量称为自变量，把发生对应变化的变量称为因变量。相关(xiāngguān)关系
相关(xiāngguān)关系反映的是客观事物之间的非严格、不确定的线性依存关系。这种线性依存关系有两个显著的特点：
图国内生产总值y与固定资产(gùdìngzīchǎn)投资完成额x间关系的散点图二、回归分析(fēnxī)和相关分析(fēnxī)区别
相关分析研究的变量都是随机变量，并且不分自变量与因变量；回归分析研究的变量要首先明确(míngquè)那些是自变量，那些是因变量？并且自变量是确定的普通变量，因变量是随机变量。根据(gēnjù)自变量的多少
回归模型可以分为一元回归模型和多元回归模型。
根据(gēnjù)回归模型的形式线性与否
回归模型可以分为一元回归模型和多元回归模型。
根据(gēnjù)回归模型是否带有虚拟变量
回归模型可以分为普通回归模型和带虚拟变量的回归模型。
此外，根据(gēnjù)回归模型是否用滞后的因变量作自变量，回归模型又可分为无自回归现象的回归模型和自回归模型。第二节一元(yīyuán)线性回归模型二、OLS(OrdinaryLeastSquare）估计
OLS的中心思想
最小二乘法的中心思想，是通过(tōngguò)数学模型，配合一条较为理想的趋势线。这条趋势线必须满足下列两点要求：
二、OLS(OrdinaryLeastSquare）估计(gūjì)二、OLS(OrdinaryLeastSquare）估计(gūjì)OLS的特性
最小二乘估计量具有线性、无偏性和最小方差性等良好的性质。线性、无偏性和最小方差性统称BLUE性质。满足(mǎnzú)BLUE性质的估计量称为BLUE估计量。回归方程的检验
在一元线性回归模型中最常用(chánɡyònɡ)的显著性检验方法有：
相关系数检验法
F检验法
t检验法三、离差平方和的分解(fēnjiě)与可决系数
在一元线性回归模型中，观测值的数值会发生波动，这种波动称为变差。变差产生的原因如下：
三、相关系数总平方和分解(fēnjiě)三、相关系数三、相关系数四、显著性检验(jiǎnyàn)四、显著性检验(jiǎnyàn)F检验(jiǎnyàn)四、显著性检验(jiǎnyàn)点估计
在一元线性回归模型中，对于自变量x的一个给定值，代入回归模型，就可以求得一个对应(duìyìng)的回归预测值，又称为点估计值。五、预测(yùcè)区间五、预测(yùcè)区间五、预测(yùcè)区间五、预测(yùcè)区间五、预测(yùcè)区间六、应用(yìngyòng)举例六、应用(yìngyòng)举例六、应用(yìngyòng)举例六、应用(yìngyòng)举例六、应用(yìngyòng)举例六、应用(yìngyòng)举例六、应用(yìngyòng)举例七、几个应当(yīngdāng)注意的问题一元线性回归模型研究的是某一因变量与一个自变量之间的关系问题。但是，客观现象之间的联系是复杂的，许多现象的变动都涉及到多个变量之间的数量关系。
研究某一因变量与多个自变量之间的相互关系的理论和方法(fāngfǎ)就是多元线性回归模型。第三节多元(duōyuán)线性回归预测法一、多元线性回归模型及其假设(jiǎshè)条件一、多元线性回归(huíguī)模型及其假设条件一、多元(duōyuán)线性回归模型及其假设条件一、多元线性回归(huíguī)模型及其假设条件一、多元线性回归模型及其假设(jiǎshè)条件二、模型(móxíng)参数OSL的估计与性质回归系数向量估计值的统计(tǒngjì)性质三、多元线性回归(huíguī)模型的检验与相关系数检验法一样，复相关系数检验法的步骤为：
（１）计算(jìsuàn)复相关系数；
（２）查相关系数临界值表；
根据回归模型的自由度n－m和给定的显著性水平α值，查相关系数临界值表
（３）判别。1.Ｒ检验法1.Ｒ检验法2.F检验法2.F检验法3.T检验法3.T检验法4.DW检验法4.DW检验法4.DW检验法4.DW检验法表ＤＷ检验(jiǎnyàn)判别表4.DW检验法4.DW检验法
5.预测(yùcè)区间四、应用(yìngyòng)举例四、应用(yìngyòng)举例四、应用(yìngyòng)举例四、应用(yìngyòng)举例四、应用(yìngyòng)举例四、应用(yìngyòng)举例四、应用(yìngyòng)举例四、应用(yìngyòng)举例四、应用(yìngyòng)举例四、应用(