一元线性回归分析案例
一元线性回归案例
S=963.191+18.501R
例9. CEO薪水与股本回报率
OLS回归线为 S=963.191+18.501R N=209, R^2=0.0132
企业股本回报率只能解释薪水变异中的 1.3%.
例2. 一个简单的工资方程
美国研究者以1976年的526名美国工人为样 本，OLS回归方程为：
W=-0.90 +0.54 E 这里W单位为美元/小时，E单位为年. E平均工资计算为5.90美元/小时. 根据消费者价格指数，这一数值相当于2003
年的19.06美元.
例2. 一个简单的工资方程
对同样的数据，但是把log(w)作为因变量， 得到的回归方程为：
Log(invpc)=-0.550+1.24log(price) (0.043) (0.382)
N=42 R^2=0.208 显著性检验不明显,事实上这一关系也是错误的,未
来我们将加上时间序列分析中特有的趋势分析说 名这个问题.
例8. 集装箱吞吐量与外贸额
2001-2006年中国集装箱吞吐量增长与外贸 额增长的弹性分析.以Y表示集装箱吞吐量( 百万标准箱),X表示外贸额(百亿美元).
出勤率无关，但这几乎不可能.
例5. 学校的数学成绩与学校午餐项目
以math10表示高中十年级学生在一次标准化 数学考试中通过的百分比.lnchprg表示有资 格接受午餐计划的学生的百分比.
若其他条件不变,若学生太贫穷不能保证正常 饮食,可以有资格接受学校午餐项目的资助, 他的成绩应有所提高.
例5. 学校的数学成绩与学校午餐项目
1992-1993学年美国密歇根州408所高中的 数据的OLS回归方程:
一元线性回归模型典型例题分析
第二章 一元线性回归模型典型例题分析例1、令kids 表示一名妇女生育孩子的数目,educ 表示该妇女接受过教育的年数.生育率对教育年数的简单回归模型为μββ++=educ kids 10（1）随机扰动项μ包含什么样的因素?它们可能与教育水平相关吗？（2)上述简单回归分析能够揭示教育对生育率在其他条件不变下的影响吗？请解释.例2．已知回归模型μβα++=N E ，式中E 为某类公司一名新员工的起始薪金（元），N 为所受教育水平（年).随机扰动项μ的分布未知，其他所有假设都满足。
如果被解释变量新员工起始薪金的计量单位由元改为100元，估计的截距项与斜率项有无变化?如果解释变量所受教育水平的度量单位由年改为月,估计的截距项与斜率项有无变化？例3．对于人均存款与人均收入之间的关系式t t t Y S μβα++=使用美国36年的年度数据得如下估计模型，括号内为标准差：)011.0()105.151(067.0105.384ˆtt Y S +=2R ＝0.538 023.199ˆ=σ(1）β的经济解释是什么？(2）α和β的符号是什么？为什么？实际的符号与你的直觉一致吗?如果有冲突的话,你可以给出可能的原因吗？（3)对于拟合优度你有什么看法吗? （4）检验统计值？例4．下列方程哪些是正确的？哪些是错误的？为什么？⑴ y x t n t t =+=αβ12,,, ⑵ y x t n t t t =++=αβμ12,,,⑶ y x t n t t t=++= ,,,αβμ12⑷ ,,,y x t n t t t =++=αβμ12 ⑸ y x t n t t =+= ,,,αβ12 ⑹ ,,,y x t n t t =+=αβ12⑺ y x t n t t t =++= ,,,αβμ12 ⑻ ,,,y x t n t tt =++=αβμ12其中带“＾”者表示“估计值”.例5．对于过原点回归模型i i i u X Y +=1β ,试证明∑=∧221)(iu XVar σβ例6、对没有截距项的一元回归模型i i i X Y μβ+=1称之为过原点回归（regression through the origin ）。
一元线性回归案例
例8. 集装箱吞吐量与外贸额
2001-2006年中国集装箱吞吐量增长与外贸 额增长的弹性分析.以Y表示集装箱吞吐量 (百万标准箱),X表示外贸额(百亿美元). OLS回归方程为 Y=3.7667+0.509X (2.06) (31.78) t (5)=2.776 n=6 R^2=0.996
0.1
例8. 集装箱吞吐量与外贸额
例8. 集装箱吞吐量与外贸额
2001-2007年中国集装箱吞吐量增长与外贸 额增长的弹性分析.以Y表示集装箱吞吐量 增长率(%),X表示外贸额增长率(%). OLS回归方程为 Y=18.449+0.3155X (2.3982) (1.078) t (5)=2.015 n=7 R^2=0.1887
0.1
例4. 考试分数与出勤率
假如期末考试的分数(score)取决于出勤率 (attend)和影响考试成绩的其他无法观测因素 （如学生能力等）： score= β1+β2 attend+u 许多不加分析的回归发现： 这一回归中β2 〈0，即分数与出勤率负相关. 这一模型在什么情况下满足均值独立条件？ 除非学生学习能力、学习攻击、年龄及其他因素与 出勤率无关，但这几乎不可能.
例3. 静态菲利普斯曲线
时间序列数据 令inf(t)表示年通货膨胀率,unem(t)表示事业率, 下 列菲利普斯曲线假定了一个不变的自然失业率和 固定的通货膨胀率预期. Inf(t)=β1+β2 unem(t)+u 依据1948-1996年美国经济数据, OLS回归方程为 Inf(t)=1.42+0.468 unem(t) (1.72) (0.289) n=49 R^2=0.053
例5. 学校的数学成绩与学校午餐项目
一元线性回归分析案例
求根据一名女大学生的身高预报她的体重的回归方程，并预报一名身高为 172cm的女大学生的体重。
解：1、选取身高为自变量x，体重为因变量y，作散点图：
2、由散点图知道身高和体重有比较好的线性相 关关系，因此可以用线性回归方程刻画它们之间 的关系。
第17页/共39页
课题：选修2-3 8.5 回归分析案例
分析：由于问题中要求根 据身高预报体重，因此选 取身高为自变量，体重为 因变量．
再冷的石头，坐上三年也会暖 !
1. 散点图；
2.回归方程： yˆ 0.849x 85.172 身高172cm女大学生体重 yˆ = 0.849×172 - 85.712 = 60.316(kg)
本例中, r=0.798>0.75．这表明体重与身高有很强的线性相关关系，从而也表明我们 建立的回归模型是有意义的。
xi2
2
nx
,......(2)
i 1
i 1
其中x
1 n
n i 1
xi ,
y
1 n
n i 1
yi .
(x, y) 称为样本点的中心。
第8页/共39页
课题：选修2-3 8.5 回归分析案例
再冷的石头，坐上三年也会暖 !
1、回归直线方程
1、所求直线方程叫做回归直线方程；
相应的直线叫做回归直线。
2、对两个变量进行的线性分析叫做线性回归分析。
然后，我们可以通过残差 e1, e2 , , en 来判断模型拟合的效果，
判断原始数据中是否存在可疑数据，这方面的分析工作称为残差分析。
表3-2列出了女大学生身高和体重的原始数据以及相应的残差数据。
编号 1
2
3
4
5
一元线性回归分析例题
SPSS一元线性回归分析例题（体检数据中的体重和肺活量的分析）某单位对12名女工进行体检，体检项目包括体重(kg)和肺活量(L)，数据如下：X(体重：kg) 42.00 42.00 46.00 46.00 46.00 50.0050.00 50.00 52.00 52.00 58.00 58.00Y(肺活量：L) 2.55 2.20 2.75 2.40 2.80 2.813.41 3.10 3.46 2.85 3.50 3.00用x表示体重，y表示肺活量，建立数据文件。
利用一元线性回归分析描述其关系。
基本操作提示：Step 1 建立数据文件，并打开该数据文件。
Step 2 选择菜单Analyz e→Regressio n→Linear，打开主对话框。
在“Dependent”(因变量)列表框中选择变量“肺活量”，作为线性回归分析的被解释变量；在“Independent”(自变量)列表框中选择变量“体重”，作为解释变量。
Step 3 单击“Statistics”按钮，在打开的对话框中，依次选择“Estimates”(显示回归系数的估计值)、“Confidence intervals”、“Model fit”(模型拟合)、“Descriptives”、“Casewise diagnostic”(个案诊断)和“All Cases”选项。
选择完毕后，单击“Continue”按钮，返回主对话框。
Step 4 单击“Plots”(图形)按钮，在打开的主对话框中，选择“DEPENDENT”(因变量)作为y轴变量，“*ZPRED”(标准化预测值)作为x轴变量；并在“Standardized Residual Plots”(标准化残差图)中选择“Histogram”(直方图)和“Normal probabilityplot”(正态概率图，即P-P图)选项。
选择完毕后，单击“Continue”按钮，返回主对话框。
Step 5 单击“Save”(保存)按钮，在打开的主对话框中，在“Predicted Values”(预测值)选项区域中选择“Unstandardized”和“S. E. ofmean predictions”(预测值均数的标准误差)选项；“PredictionIntervals”(预测区间)选项区域中选择“Mean”和“Individual”选项；“Residuals”(残差)选项区域中选择“Unstandardized”选项。
一元线性回归案例
8.5一元线性回归案例一、教学内容与教学对象分析学生将在必修课程学习统计的基础上，通过对典型案例的讨论，了解和使用一些常用的统计方法，进一步体会运用统计方法解决实际问题的基本思想，认识统计方法在决策中的作用。
二、学习目标1、知识与技能通过本节的学习，了解回归分析的基本思想，会对两个变量进行回归分析，明确建立回归模型的基本步骤，并对具体问题进行回归分析，解决实际应用问题。
2、过程与方法 本节的学习，应该让学生通过实际问题去理解回归分析的必要性，明确回归分析的基本思想，从散点图中点的分布上我们发现直接求回归直线方程存在明显的不足，从中引导学生去发现解决问题的新思路—进行回归分析，进而介绍残差分析的方法和利用R 的平方来表示解释变量对于预报变量变化的贡献率，从中选择较为合理的回归方程，最后是建立回归模型基本步骤。
3、情感、态度与价值观 通过本节课的学习，首先让显示了解回归分析的必要性和回归分析的基本思想，明确回归分析的基本方法和基本步骤，培养我们利用整体的观点和互相联系的观点，来分析问题，进一步加强数学的应用意识，培养学生学好数学、用好数学的信心。
加强与现实生活的联系，以科学的态度评价两个变量的相关系。
教学中适当地增加学生合作与交流的机会，多从实际生活中找出例子，使学生在学习的同时。
体会与他人合作的重要性，理解处理问题的方法与结论的联系，形成实事求是的严谨的治学态度和锲而不舍的求学精神。
培养学生运用所学知识，解决实际问题的能力。
三、教学重点、难点教学重点：熟练掌握回归分析的步骤；各相关指数、建立回归模型的步骤；通过探究使学生体会有些非线性模型通过变换可以转化为线性回归模型，了解在解决实际问题的过程中寻找更好的模型的方法。
教学难点：求回归系数 a , b ；相关指数的计算、残差分析；了解常用函数的图象特点，选择不同的模型建模，并通过比较相关指数对不同的模型进行比较。
四、教学策略： 教学方法：诱思探究教学法学习方法：自主探究、观察发现、合作交流、归纳总结。
一元线性回归模型案例
一元线性回归模型案例一元线性回归模型是统计学中最基本、应用最广泛的一种回归分析方法，可以用来探究自变量与因变量之间的线性关系。
一元线性回归模型的数学公式为：y = β0 + β1x，其中y表示因变量，x表示自变量，β0和β1分别为截距和斜率。
下面以一个实际案例来说明一元线性回归模型的应用。
假设我们有一组数据，其中x表示一个房屋的面积，y表示该房屋的售价，我们想利用一元线性回归模型来预测房屋的售价。
首先，我们需要收集一组已知数据，包括房屋的面积和售价。
假设我们收集了10个不同房屋的面积和售价数据，如下所示：房屋面积（x）（平方米）售价（y）（万元）80 12090 130100 140110 150120 160130 170140 180150 190160 200170 210我们可以根据这组数据绘制散点图，横坐标表示房屋面积x，纵坐标表示售价y，如下所示：（插入散点图）接下来，我们可以利用最小二乘法来拟合一条直线，使其能够最好地拟合这些散点。
最小二乘法是一种最小化误差平方和的方法，可以得到最优的拟合直线。
根据一元线性回归模型的公式，可以通过计算拟合直线的斜率β1和截距β0来实现最小二乘法。
其中，斜率β1可以通过下式计算得到：β1 = n∑(xiyi) - (∑xi)(∑yi)n∑(xi^2) - (∑xi)^2截距β0可以通过下式计算得到：β0 = (1/n)∑yi - β1(1/n)∑xi通过带入已知数据，我们可以计算得到斜率β1和截距β0的具体值。
在本例中，计算结果如下：β1 ≈ 1.0667β0 ≈ 108.6667最后，利用得到的斜率β1和截距β0，我们可以得到一元线性回归模型的具体公式为：y ≈ 108.6667 + 1.0667x我们可以利用这个回归模型进行预测。
例如，如果有一个房屋的面积为130平方米，那么根据回归模型，可以预测该房屋的售价为170 + 108.6667 ≈ 278.6667万元。
2.4-5 一元线性回归的预测及实例
区间估计思想： 区间估计思想：构造一个已知概率的统计量（如t分布的统 计量）该统计量包含Y0的真实均值和估计量，再将该统计 量取值的置信区间转化为Y0真实均值的置信区间
6
总体条件均值与个值预测值的区间估计 构造统计量
已知
Y0 = β 0 + β 1 X 0
2 ~ N (β , σ ) β1 1 ∑ xi2
E (Y0 ) = E ( β 0 + β 1 X 0 ) = E ( β 0 ) + X 0 E ( β 1 ) = β 0 + β 1 X 0
4
举例
所建立的家庭可支配收入利用 P34 例2.2.1 所建立的家庭可支配收入-消费支出 模型，求家庭可支配收入为6000 6000元时家庭消费支出均值 模型，求家庭可支配收入为6000元时家庭消费支出均值 和个值的预测值。 和个值的预测值
Y0 ( β 0 + β 1 X 0 ) t= ~ t (n 2) S Y
0
其中
S Y
0
1 (X 0 X )2 = σ ( + ) 2 n ∑ xi
2
Why?
8
置信区间的构造过程： 置信区间的构造过程：
易得：
P( t α < t < t α ) = 1 α
2 2
即
等价于
进而 于是，在1-α的置信度下，总体均值 总体均值E(Y|X0)的置信区间为 总体均值 的置信区间为
由P35 表2.2.1 可得： 可得：
10
解续： 解续： 进而，可求得： 进而，可求得：
E(Y|6000)预测值 预测值95%的置信区间为 预测值 的置信区间为
即
11
总体个值预测值的区间估计
- 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)。
施化肥量x 水稻产量y
15
20
25
30
35
40
45
y
330 345
365
405 445
450 455
散点图
500 450 400 350 300 10
水稻产量
··
20
·
·
· · ·
施化肥量
30 40 50
x 发现：图中各点，大致分布在某条直线附近。
探索2：在这些点附近可画直线不止一条，哪条直 线最能代表x与y之间的关系呢？
课题：选修2-3 8.5 回归分析案例
再冷的石头，坐上三年也会暖 !
现实生活中存在着大量的相关关系。 如：人的身高与年龄； 产品的成本与生产数量；
商品的销售额与广告费；
家庭的支出与收入。等等
探索：水稻产量y与施肥量x之间大致有何规 律？
课题：选修2-3 8.5 回归分析案例
再冷的石头，坐上三年也会暖 !
再冷的石头，坐上三年也会暖 !
应用：利用回归直线方程对总体进行线性相关性的检验
例1、炼钢是一个氧化降碳的过程，钢水含碳量的多少 直接影响冶炼时间的长短，必须掌握钢水含碳量和冶炼 时间的关系。如果已测得炉料熔化完毕时，钢水的含碳 量x与冶炼时间y（从炉料熔化完毕到出刚的时间）的一 列数据，如下表所示： x（0.01%） y（min）
b
( x x)( y y) x y nx y
i 1 i i
n
n
( x x)
i 1 i
n
2
i 1 n
i
i
x
i 1
2 i
nx
2
,
a y bx,......(1)
^
^ （4）写出直线方程为y=bx+a, 即为所求的回归直线方程。
课题：选修2-3 8.5 回归分析案例
(x, y)
称为样本点的中心。
课题：选修2-3 8.5 回归分析案例
再冷的石头，坐上三年也会暖 !
4、求回归直线方程的步骤： 1 n 1 n (1)求 x xi , y yi n i 1 n i 1
(2)求 xi 2 , xi yi .
i 1 i 1
n
n
（3）代入公式
课题：选修2-3 8.5 回归分析案例
再冷的石头，坐上三年也会暖 !
数学３——统计内容
1. 画散点图
2. 了解最小二乘法的思想
3. 求回归直线方程 y＝bx＋a
4. 用回归直线方程解决应用问题
课题：选修2-3 8.5 回归分析案例
再冷的石头，坐上三年也会暖 !
复习 变量之间的两种关系
问题1：正方形的面积y与正方形的边长x之间 的函数关系是 y = x2 确定性关系 问题2：某水田水稻产量y与施肥量x之间是否 有一个确定性的关系？ 例如：在 7 块并排、形状大小相同的试验田上 进行施肥量对水稻产量影响的试验，得
104 100 180 200 190 210 177 185 147 155 134 135 150 170 191 205 204 235 121 125
（1）y与有线性相关关系，求回归直线方程；
（3）预测当钢水含碳量为160个0.01%时，应冶炼多少分钟？
课题：选修2-3 8.5 回归分析案例
课题：选修2-3 8.5 回归分析案例
再冷的石头，坐上三年也会暖 !
500 450 400
y
水稻产量
· · · ·
10 20 30
··
·
y x
350
300
施化肥量
40 50
x
课题：选修2-3 8.5 回归分析案例
再冷的石头，坐上三年也会暖 !
对于一组具有线性相关关系的数据 ( x1 , y1 ),( x2 , y2 ),...,( xn , yn ),
到如下所示的一组数据：
施化肥量x 水稻产量y
15
20
25 365
30
35
40
45
330 345
405 445
450 455
课题：选修2-3 8.5 回归分析案例
再冷的石头，坐上三年也会暖 !
施化肥量x 水稻产量y
15
20
25 365
30
35
40
45
330 345
405 445
450 455
y
500
ˆ ˆ bx a ˆ y
n n (x i -x)(yi -y) x i yi -nxy b= i=1 ˆ i=1 = , n n 2 2 -nx 2 (x -x) x i i i=1 i=1 ˆ a=y-bx. ˆ 1 n 1 n 其中x= x i ,y= yi . n i=1 n i=1
我们知道其回归方程的截距和斜率的最小二乘估计公式分别为：
a yn b x,......(1) n ( xi x)( yi y ) xi y nx y ^ i i 1 i 1 b n ,......(2) n 2 2 2 ( xi x) xi nx
i 1 i 1
再冷的石头，坐上三年也会暖 !
解：(1)列出下表,并计算
i xi yi xiyi
10
1 104 100 10400
2 180 200
3 190 210
4 177 185
5 147 155
6 134 135
7 150 170
8 191 205
450 400
水稻产量
350
300
··
20
·
·
· · ·
施化肥量
10
30
40
50
x
课题：选修2-3 8.5 回归分析案例
再冷的石头，坐上三年也会暖 !
1、相关关系的定义：
自变量取值一定时，因变量的取值带有一定 随机性的两个变量之间的关系叫做相关关系。 注 1）：相关关系是一种不确定性关系； 2）： 对具有相关关系的两个变量进行统计 分析的方法叫回归分析。
^
^
1 n 1 n 其中x xi , y yi . ( x, y ) 称为样本点的中心。 n i 1 n i 1
课题：选修2-3 8.5 回归分析案例
再冷的石头，坐上三年也会暖 !
1、回归直线方程
1、所求直线方程叫做回归直线方程； 相应的直线叫做回归直线。
2、对两个变量进行的线性分析叫做线性回归分析。
ˆ b
( x x)( y y) x y nx y
i 1 i i
n
n
( x x)
i 1 i
n
2
i 1 n
i
i
x
i 1
2 i
nx
2
,
ˆ ˆ y bx a
课题：选修2-3 8.5 回归分析案例
再冷的石头，坐上三年也会暖 !
2.求回归直线的方法——最小二乘法：