第11章相关分析与回归分析.docx

1、第11章相关分析与回归分析11.5 一家物流公司的管理人员想研究货物的运输距离和运输时间的关系，为此，他抽出了公司最近10个卡车运货记录的随机样本，得到运送距离(单位：km)和运送时间(单位：天)的数据如下：运送距离x825 215 1 070 550 480 920 1 350 325 670 1 215运送时间y3.5 1.0 4.0 2.0 1.0 3.0 4.5 1.5 3.0 5.0要求：(1)绘制运送距离和运送时间的散点图，判断二者之间的关系形态：(2)计算线性相关系数，说明两个变量之间的关系强度。(3)利用最小二乘法求出估计的回归方程，并解释回归系数的实际意义。解：（1）_可能存

2、在线性关系。（2）相关性 x运送距离（km）y运送时间（天）x运送距离（km）Pearson 相关性1.949(*)显著性（双侧）0.000N1010y运送时间（天）Pearson 相关性.949(*)1显著性（双侧）0.000N1010*. 在 .01 水平（双侧）上显著相关。有很强的线性关系。（3）系数(a)模型 非标准化系数标准化系数t显著性B标准误Beta1（常量）0.1180.3550.3330.748x运送距离（km）0.0040.0000.9498.5090.000a. 因变量: y运送时间（天）回归系数的含义：每公里增加0.004天。11.6 下面是7个地区2000年的人均国内

3、生产总值（GDP）和人均消费水平的统计数据： 地区 人均GDP(元) 人均消费水平(元) 北京 辽宁 上海 江西 河南 贵州 陕西 22 460 11 226 34 547 4 851 5 444 2 662 4 549 7 326 4 490 11 546 2 396 2 208 1 608 2 035要求： (1)人均GDP作自变量，人均消费水平作因变量，绘制散点图，并说明二者之间的关系形态。 (2)计算两个变量之间的线性相关系数，说明两个变量之间的关系强度。 (3)利用最小二乘法求出估计的回归方程，并解释回归系数的实际意义。 (4)计算判定系数，并解释其意义。 (5)检验回归方程线性关系

4、的显著性(a=0.05)。 (6)如果某地区的人均GDP为5 000元，预测其人均消费水平。 (7)求人均GDP为5 000元时，人均消费水平95的置信区间和预测区间。解：（1）_可能存在线性关系。（2）相关系数：相关性 人均GDP（元）人均消费水平（元）人均GDP（元）Pearson 相关性1.998(*)显著性（双侧）0.000N77人均消费水平（元）Pearson 相关性.998(*)1显著性（双侧）0.000N77*. 在 .01 水平（双侧）上显著相关。有很强的线性关系。（3）回归方程：系数(a)模型 非标准化系数标准化系数t显著性B标准误Beta1（常量）734.693139.54

5、05.2650.003人均GDP（元）0.3090.0080.99836.4920.000a. 因变量: 人均消费水平（元）回归系数的含义：人均GDP没增加1元，人均消费增加0.309元。（4）模型摘要模型RR 方调整的 R 方估计的标准差1.998(a)0.9960.996247.303a. 预测变量:(常量), 人均GDP（元）。人均GDP对人均消费的影响达到99.6%。（5）F检验：ANOVA(b)模型 平方和df均方F显著性1回归81,444,968.680181,444,968.6801,331.692.000(a)残差305,795.034561,159.007合计81,750,7

6、63.7146a. 预测变量:(常量), 人均GDP（元）。b. 因变量: 人均消费水平（元）回归系数的检验：t检验系数(a)模型 非标准化系数标准化系数t显著性B标准误Beta1（常量）734.693139.5405.2650.003人均GDP（元）0.3090.0080.99836.4920.000a. 因变量: 人均消费水平（元）（6）某地区的人均GDP为5 000元，预测其人均消费水平为2278.10657元。（7）人均GDP为5 000元时，人均消费水平95的置信区间为1990.74915，2565.46399，预测区间为1580.46315，2975.74999。11.9 某汽车生

7、产商欲了解广告费用(x)对销售量(y)的影响，收集了过去12年的有关数据。通过计算得到下面的有关结果：方差分析表变差来源dfSSMSFSignificanceF回归11602708.61602708.6399.10000652.17E09残差1040158.074015.807总计111642866.67参数估计表Coefficients标准误差tStatPvalueIntercept363.689162.455295.8231910.000168XVariable11.4202110.07109119.977492.17E09要求： (1)完成上面的方差分析表。 (2)汽车销售量的变差中有多

8、少是由于广告费用的变动引起的? (3)销售量与广告费用之间的相关系数是多少? (4)写出估计的回归方程并解释回归系数的实际意义。(5)检验线性关系的显著性(a0.05)。解：（2）R2=0.9756，汽车销售量的变差中有97.56%是由于广告费用的变动引起的。（3）r=0.9877。（4）回归系数的意义：广告费用每增加一个单位，汽车销量就增加1.42个单位。（5）回归系数的检验：p=2.17E09，回归系数不等于0，显著。 回归直线的检验：p=2.17E09，回归直线显著。11.11 从20的样本中得到的有关回归结果是：SSR=60，SSE=40。要检验x与y之间的线性关系是否显著，即检验假设

9、：。 (1)线性关系检验的统计量F值是多少? (2)给定显著性水平a0.05，Fa是多少? (3)是拒绝原假设还是不拒绝原假设? (4)假定x与y之间是负相关，计算相关系数r。 (5)检验x与y之间的线性关系是否显著?解：（1）SSR的自由度为k=1；SSE的自由度为n-k-1=18； 因此：F=27（2）=4.41（3）拒绝原假设，线性关系显著。（4）r=0.7746，由于是负相关，因此r=-0.7746（5）从F检验看线性关系显著。11.15 随机抽取7家超市，得到其广告费支出和销售额数据如下： 超市 广告费支出(万元) 销售额(万元) A B C D E F G l 2 4 6 10 1

10、4 20 19 32 44 40 52 53 54要求：(1)用广告费支出作自变量x，销售额作因变量y，求出估计的回归方程。(2)检验广告费支出与销售额之间的线性关系是否显著(a0.05)。(3)绘制关于x的残差图，你觉得关于误差项的假定被满足了吗? (4)你是选用这个模型，还是另寻找一个更好的模型?解：（1）系数(a)模型 非标准化系数标准化系数t显著性B标准误Beta1（常量）29.3994.8076.1160.002广告费支出（万元）1.5470.4630.8313.3390.021a. 因变量: 销售额（万元）（2）回归直线的F检验：ANOVA(b)模型 平方和df均方F显著性1回归6

11、91.7231691.72311.147.021(a)残差310.277562.055合计1,002.0006a. 预测变量:(常量), 广告费支出（万元）。b. 因变量: 销售额（万元）显著。回归系数的t检验：系数(a)模型 非标准化系数标准化系数t显著性B标准误Beta1（常量）29.3994.8076.1160.002广告费支出（万元）1.5470.4630.8313.3390.021a. 因变量: 销售额（万元）显著。（3）未标准化残差图：_标准化残差图：学生氏标准化残差图：看到残差不全相等。（4）应考虑其他模型。可考虑对数曲线模型：y=b0+b1ln(x)=22.471+11.576ln(x)。