大连民族学院
数学实验报告
课程：统计软件—SPSS 实验题目：线性回归分析与非参检验
系别：理学院
专业：统计学
姓名：侯祥飞
班级： 141班
指导教师：滕颖俏
完成时间： 2016 年 10 月 30 日
北京建筑大学 理学院信息与计算科学专业实验报告 课程名称《数据分析》实验名称数据的基本统计与非参数检验实验地点基C-423 日期2016 . 3 .17 姓名班级学号指导教师成绩 【实验目的】 （1）熟悉数据的基本统计与非参数检验分析方法； （2）熟悉撰写数据分析报告的方法； （3）熟悉常用的数据分析软件SPSS。 【实验要求】 根据各个题目的具体要求，完成实验报告 【实验内容】 根据附件“住房状况调查”给出的相关数据，请选用恰当的分析方法，分别对数据的“家庭收入”、“现住面积”，进行数据的基本统计量分析，撰写相应的分析报告； 根据附件“住房状况调查”给出的相关数据，请选用恰当的分析方法，分别分析不同学历对家庭收入、现住面积是否有显著影响，撰写相应的分析报告。 根据附件“住房状况调查”给出的相关数据，请选用恰当的分析方法，分析家庭收入与10000元是否有显著差异，撰写相应的分析报告。 根据附件“住房状况调查”给出的相关数据，请选用恰当的分析方法，分析婚姻状况对家现住面积是否有显著影响，撰写相应的分析报告。 根据附件“减肥茶数据”给出的相关数据，请选用恰当的分析方法，分析该减肥茶对减肥是否有显著影响，撰写相应的分析报告。 【分析报告】 1. 表一家庭收入和现住面积的基本描述统计量 家庭收入现住面积 N 有效2993 2993 缺失0 0 均值17696.1567 62.7241
均值的标准误279.64310 .47349 中值15000.0000 60.0000 众数10000.00 60.00 标准差15298.80341 25.90383 方差 2.341E8 671.008 偏度 5.546 .910 偏度的标准误.045 .045 峰度55.425 3.078 峰度的标准误.089 .089 百分位数25 10000.0000 45.0000 50 15000.0000 60.0000 75 20000.0000 80.0000 表一说明， 家庭收入方面： 被调查者中家庭收入的均值为17696.16元，中值为15000元，普遍收入为10000元； 家庭收入的标准差和方差都相对较大，所以，各家庭收入之间有明显的差异； 偏度大于零，说明右偏；峰度大于零，说明数据呈尖峰分布； 由家庭收入的四分位数可知，25%的家庭，收入在10000以下，有50%的家庭，收入在15000以下，有75%的家庭，收入在20000以下； 现住面积方面： 被调查者中现住面积的均值为62.724平方米，中值为60平方米，普遍面积为60平方米； 现住面积的标准差和方差都相对较大，所以，各家庭现住面积之间有明显的差异； 偏度近似等于零，说明现住面积数据对称分布；峰度大于零，说明现住面积数据为尖峰分布； 由现住面积的四分位数可知，25%的家庭，现住面积为45平方米以下，有50%的家庭，现住面积在60平方米以下，有75%的家庭，现住面积在80平方米以下。 图一：家庭收入直方图 该图表明，家庭收入分布存在一定的右偏。 图二：现住面积直方图
线性回归的显着性检验 1.回归方程的显着性 在实际问题的研究中，我们事先并不能断定随机变量y与变量人,乂2，…，x p之间确有线 性关系，在进行回归参数的估计之前，我们用多元线性回归方程去拟合随机变量y与变量 X「X2，…，X p之间的关系，只是根据一些定性分析所作的一种假设。因此，和一元线性回归方程的显着性检验类似，在求出线性回归方程后，还需对回归方程进行显着性检验。 设随机变量丫与多个普通变量x1, x2^ ,x p的线性回归模型为 其中；服从正态分布N（0,；「2） 对多元线性回归方程的显着性检验就是看自变量若接受X i,X2，…,X p从整体上对随机变 量y是否有明显的影响。为此提出原假设如果H。被接受，则表明随机变量y与x「X2，…，X p的 线性回归模型就没有意义。通过总离差平方和分解方法，可以构造对H o进行检验的统计量。正 态随机变量y i,y2/ , y n的偏差平方和可以分解为： n n n S r f （y—y）2为总的偏差平方和，S R=為（懈-y）2为回归平方和，S E f （% - ？）2为残 i 1i# im 差平方和。因此，平方和分解式可以简写为： 回归平方和与残差平方和分别反映了b = 0所引起的差异和随机误差的影响。构造F检验统计量则利用分解定理得到： 在正态假设下，当原假设H o ：b i =0, b2 =0，…，b p =0成立时，F服从自由度为（p,n -p-1）的F分布。对于给定的显着水平［，当F大于临界值（p, n-p-1）时，拒绝H。，说明回归方程显着，x与y有显着的线性关系。 实际应用中，我们还可以用复相关系数来检验回归方程的显着性。复相关系数R定义为： 平方和分解式可以知道，复相关系数的取值范围为0空R乞1。R越接近1表明S E越小，回归方程拟合越好。 2.回归系数的显着性
用R语言做非参数和半参数回归笔记
由詹鹏整理，仅供交流和学习 根据南京财经大学统计系孙瑞博副教授的课件修改，在此感谢孙老师的辛勤付出！ 教材为：Luke Keele: Semiparametric Regression for the Social Sciences. John Wiley & Sons, Ltd. 2008. ------------------------------------------------------------------------- 第一章 introduction: Global versus Local Statistic 一、主要参考书目及说明 1、Hardle(1994). Applied Nonparametic Regresstion. 较早的经典书 2、Hardle etc (2004). Nonparametric and semiparametric models: an introduction. Springer. 结构清晰 3、Li and Racine(2007). Nonparametric econometrics: Theory and Practice. Princeton. 较全面和深入的介绍，偏难 4、Pagan and Ullah (1999). Nonparametric Econometrics. 经典 5、Yatchew(2003). Semiparametric Regression for the Applied Econometrician. 例子不错 6、高铁梅（2009）. 计量经济分析方法与建模：EVIEWS应用及实例（第二版）. 清华大学出版社. （P127/143） 7、李雪松（2008）. 高级计量经济学. 中国社会科学出版社. （P45 ch3） 8、陈强（2010）. 高级计量经济学及Stata应用. 高教出版社. （ch23/24） 【其他参看原ppt第一章】 二、内容简介 方法： ——移动平均（moving average） ——核光滑（Kernel smoothing） ——K近邻光滑（K-NN） ——局部多项式回归（Local Polynormal） ——Loesss and Lowess ——样条光滑（Smoothing Spline） ——B-spline ——Friedman Supersmoother 模型： ——非参数密度估计 ——非参数回归模型 ——非参数回归模型 ——时间序列的半参数模型 ——Panel data 的半参数模型 ——Quantile Regression 三、不同的模型形式 1、线性模型linear models 2、Nonlinear in variables
非参数回归模型
精品资料 仅供学习与交流，如有侵权请联系网站删除 谢谢2 非参数回归模型 非参数回归模型也叫多元回归模型，它是一种脱离于混沌理论的多条路段分析方法。它是对当前路段和几条相邻路段的交通流信息对当前路段进行交通流预测的单条路段分析的扩展。它不需要先验知识，只需要有足够的历史数据即可。它的原理是：在历史数据库中寻找与当前点相似的近邻，并根据这些近邻来预测下一时间段的流量。该算法认为系统所有的因素之间的内在联系都蕴含在历史数据中，因此直接从历史数据中得到信息而不是为历史数据建立一个近似模型。非参数回归最为一种无参数、可移植、预测精度高的算法，它的误差比较小，且误差分布情况良好。尤其通过对搜索算法和参数调整规则的改进，使其可以真正达到实时交通流预测的要求。并且这种方法便于操作实施，能够应用于复杂环境，可在不同的路段上方便地进行预测。能够满足路网上不同路段的预测，避免路段位置和环境对预测的影响。随着数据挖掘技术左键得到人们的认可和国内外学者的大量相关研究，使得非参数回归技术在短时交通流预测领域得到广泛应用。 非参数回归的回归函数()X g Y =的估计值()X g n 一般表示为： ()()∑==n i i i i n Y X W X g 1 其中，Y 为以为广策随机变量；X 为m 维随机变量；（Xi,Yi ）为第i 次观测值，i=1,...,n ；Wi(Xi)为权函数.非参数回归就是对g(X)的形状不加任何限制，即对g （X ）一无所知的情况下，利用观测值（Xi,Yi ），对指定的X 值去估计Y 值。由于其不需要对系统建立精确的数学模型，因此比较适合对事变的、非线性的系统进行预测，符合对城市交通流的预测，同时可以与历史平均模型实现优缺点的互补。 K 近邻法 Friedman 于1977年提出了K 近邻法。其并不是让所有的数据都参与预 测，而是以数据点到X 点的距离为基础，甲醛是只有离X 最近的K 个数据被用来估计相应的g(X)值。可以引入欧式空间距离d ，然后按这个距离将X1，X2，...,Xn 与X 接近的程度重新排序：Xk1,...,Xkn,取权值如下： Wki(X:X1,...,Xn)=ki,i=1,..,n 将与X 最近的前K 个观测值占有最大的权K=1，其余的观测值赋予权值k=0.最终得到应用于短时交通流预测的K 近邻法可表示为：
非参数回归简介 一、参数回归与非参数回归的特点 无论是线性回归还是非线性回归，其回归函数形式都是已知的，只是其中参数待定，所以可称为参数回归。参数回归的最大优点是回归结果可以外延，但其缺点也不可忽视，就是回归形式一旦固定，就比较呆板，往往拟合效果较差。另一类回归，非参数回归，则与参数回归正好相反。它的回归函数形式是不确定的，其结果外延困难，但拟合效果却比较好。 参数回归与非参数回归的优缺点比较： 参数回归： 优点： (1).模型形式简单明确，仅由一些参数表达(eg: y=a+bx+e, a,b为待估参数) (2).在经济中，模型的参数一般都具有明确的经济含义 (3).当模型参数假设成立，统计推断的精度较高，能经受实际检验 (4).模型能够进行外推运算 (5).模型可以用于小样本的统计推断 缺点： (1).回归函数的形式预先假定 (2).模型限制较多：一般要求样本满足某种分布要求，随机误差满足正态假设，解释变量间独立，解释变量与随机误差不相关，等
(3).需要对模型的参数进行严格的检验推断，步骤较多 (4).模型泛化能力弱，缺乏稳健性，当模型假设不成立，拟合效果不好，需要修正或者甚至更换模型 非参数回归： 优点； (1).回归函数形式自由，受约束少，对数据的分布一般不做任何要求 (2).适应能力强，稳健性高，回归模型完全由数据驱动 (3).模型的精度高 (4).对于非线性、非齐次问题，有非常好的效果 缺点： (1).不能进行外推运算 (2).估计的收敛速度慢 (3).一般只有在大样本的情况下才能得到很好的效果，而小样本的效果较差 (4).高维诅咒, 光滑参数的选取一般较复杂 二、非参数回归的方法简介 非参数回归方法 样条光滑 正交回归 核回归：N-W估计、P-C估计、G-M估计 局部多项式回归：线性、多项式 光滑样条：光滑样条、B样条近邻回归：k-NN、k近邻核、对称近邻 正交级数光滑 局 部 回 归 Fourier级数光滑 wavelet光滑
第四章线性回归模型检验方法拓展——三大检验作为统计推断的核心内容,除了估计未知参数以外,对参数的假设检验就是实证分析中的一个重要方面。对模型进行各种检验的目的就是,改善模型的设定以确保基本假设与估计方法比较适合于数据,同时也就是对有关理论有效性的验证。 一、假设检验的基本理论及准则 假设检验的理论依据就是“小概率事件原理”,它的一般步骤就是 (１)建立两个相对(互相排斥)的假设(零假设与备择假设)。 (2)在零假设条件下,寻求用于检验的统计量及其分布。 (３)得出拒绝或接受零假设的判别规则。 另一方面,对于任何的检验过程,都有可能犯错误,即所谓的第一类错误 Ｐ(拒绝Ｈ |H0为真)＝α ０ 与第二类错误 P(接受H |H0不真)=β ０ 在下图,粉红色部分表示P(拒绝H0｜H０为真)=α。黄色部分表示Ｐ(接受H0｜H０Array不真)=β。 而犯这两类错误的概率就是一种此消彼长的情况,于就是如何控制这两个概
率,使它们尽可能的都小,就成了寻找优良的检验方法的关键。 下面简要介绍假设检验的有关基本理论。 参数显著性检验的思路就是,已知总体的分布(,)F X θ,其中θ就是未知参数。总体真实分布完全由未知参数θ的取值所决定。对θ提出某种假设001000:(:,)H H θθθθθθθθ=≠><或,从总体中抽取一个容量为n 的样本,确定一个统计量及其分布,决定一个拒绝域W ,使得0()P W θα=,或者对样本观测数据 Ｘ,0 ()P X W θα∈≤。α就是显著性水平,即犯第一类错误的概率。 既然犯两类错误的概率不能同时被控制,所以通常的做法就是,限制犯第一类错误的概率,使犯第二类错误的概率尽可能的小,即在 0()P X W θα∈≤ 0θ∈Θ 的条件下,使得 ()P X W θ∈,0θ∈Θ-Θ 达到最大,或 1()P X W θ-∈,0θ∈Θ-Θ 达到最小。其中()P X W θ∈表示总体分布为(,)F X θ时,事件W ∈{X }的概率,0Θ为零假设集合(0Θ只含一个点时成为简单原假设,否则称为复杂原假设)。0Θ-Θ为备择假设集合,并且0Θ与0Θ-Θ不能相交。由前述可知,当1H 为真时,它被拒绝(亦即H 0不真时,接受H ０)的概率为β,也就就是被接受(亦即Ｈ０不真时,拒绝Ｈ0)的概率就是1β-(功效),我们把这个接受1H 的概率称为该检验的势。在对未知参数θ作假设检验时,在固定α下,对θ的每一个值,相应地可求得1β-的值,则定义 =1()()P X W θβθ-∈
matlab建立多元线性回归模型并进行显著性检 验及预测问题 例子; x=[143 145 146 147 149 150 153 154 155 156 157 158 159 160 162 164]'; X=[ones(16,1) x]; 增加一个常数项 Y=[88 85 88 91 92 93 93 95 96 98 97 96 98 99 100 102]'; [b,bint,r,rint,stats]=regress(Y,X) 得结果：b = bint = stats = 即对应于b的置信区间分别为[，]、[,]; r2=, F=, p= p<, 可知回 归模型 y=+ 成立. 这个是一元的，如果是多元就增加X的行数！ function [beta_hat,Y_hat,stats]=regress(X,Y,alpha) % 多元线性回归(Y=Xβ+ε)MATLAB代码 % % 参数说明 % X：自变量矩阵，列为自变量，行为观测值 % Y：应变量矩阵，同X % alpha：置信度，[0 1]之间的任意数据 % beta_hat：回归系数 % Y_beata：回归目标值，使用Y-Y_hat来观测回归效果 % stats：结构体，具有如下字段 % =[fV,fH]，F检验相关参数，检验线性回归方程是否显著 % fV：F分布值，越大越好，线性回归方程 越显著 % fH：0或1，0不显著；1显著(好) % =[tH,tV,tW]，T检验相关参数和区间估计，检验回归系数β是 否与Y有显著线性关系 % tV：T分布值，beta_hat(i)绝对值越大, 表示Xi对Y显著的线性作用 % tH：0或1，0不显著；1显著 % tW：区间估计拒绝域，如果beta(i)在对 应拒绝区间内，那么否认Xi对Y显著的线性作用 % =[T,U,Q,R]，回归中使用的重要参数 % T：总离差平方和，且满足T=Q+U % U：回归离差平方和 % Q：残差平方和 % R∈[0 1]：复相关系数，表征回归离差占总 离差的百分比，越大越好 % 举例说明 % 比如要拟合 y=a+b*log(x1)+c*exp(x2)+d*x1*x2，注意一定要将原来方程 线化 % x1=rand(10,1)*10;
非参数回归模型 非参数回归模型也叫多元回归模型，它是一种脱离于混沌理论的多条路段分析方法。它是对当前路段和几条相邻路段的交通流信息对当前路段进行交通流预测的单条路段分析的扩展。它不需要先验知识，只需要有足够的历史数据即可。它的原理是：在历史数据库中寻找与当前点相似的近邻，并根据这些近邻来预测下一时间段的流量。该算法认为系统所有的因素之间的内在联系都蕴含在历史数据中，因此直接从历史数据中得到信息而不是为历史数据建立一个近似模型。非参数回归最为一种无参数、可移植、预测精度高的算法，它的误差比较小，且误差分布情况良好。尤其通过对搜索算法和参数调整规则的改进，使其可以真正达到实时交通流预测的要求。并且这种方法便于操作实施，能够应用于复杂环境，可在不同的路段上方便地进行预测。能够满足路网上不同路段的预测，避免路段位置和环境对预测的影响。随着数据挖掘技术左键得到人们的认可和国内外学者的大量相关研究，使得非参数回归技术在短时交通流预测领域得到广泛应用。 非参数回归的回归函数()X g Y =的估计值()X g n 一般表示为： ()()∑==n i i i i n Y X W X g 1 其中，Y 为以为广策随机变量；X 为m 维随机变量；（Xi,Yi ）为第i 次观测值，i=1,...,n ；Wi(Xi)为权函数.非参数回归就是对g(X)的形状不加任何限制，即对g （X ）一无所知的情况下，利用观测值（Xi,Yi ），对指定的X 值去估计Y 值。由于其不需要对系统建立精确的数学模型，因此比较适合对事变的、非线性的系统进行预测，符合对城市交通流的预测，同时可以与历史平均模型实现优缺点的互补。 K 近邻法 Friedman 于1977年提出了K 近邻法。其并不是让所有的数据都参与预测，而是以数据点到X 点的距离为基础，甲醛是只有离X 最近的K 个数据被用来估计相应的g(X)值。可以引入欧式空间距离d ，然后按这个距离将X1，X2，...,Xn 与X 接近的程度重新排序：Xk1,...,Xkn,取权值如下： Wki(X:X1,...,Xn)=ki,i=1,..,n 将与X 最近的前K 个观测值占有最大的权K=1，其余的观测值赋予权值k=0.最终得到应用于短时交通流预测的K 近邻法可表示为： ()()()()K t V t V g t V K i i ∑=+==+111
对多元线性回归模型的各种检验方法 对于形如 u X X X Y k k +++++=ββββΛΛ22110 （1） 的回归模型，我们可能需要对其实施如下的检验中的一种或几种检验： 一、 对单个总体参数的假设检验：t 检验 在这种检验中，我们需要对模型中的某个（总体）参数是否满足虚拟假设0H ：j j a =β，做出具 有统计意义（即带有一定的置信度）的检验，其中j a 为某个给定的已知数。特别是，当j a =0时，称为参 数的（狭义意义上的）显著性检验。如果拒绝 0H ，说明解释变量j X 对被解释变量Y 具有显著的线性 影响，估计值j β?才敢使用；反之，说明解释变量 j X 对被解释变量Y 不具有显著的线性影响，估计值j β?对我们就没有意义。具体检验方法如下： （1） 给定虚拟假设 0H ：j j a =β； （2） 计算统计量 )?(?)?()(?j j j j j j Se a Se E t βββββ-= -= 的数值； （3） 在给定的显著水平α 下（ α 不能大于 1.0即 10%，也即我们不能在置信度小于90%以下的前提下做结论），查出双尾t （1--k n ）分布的临界值2/αt ； （4） 如果出现 2/αt t >的情况，检验结论为拒绝0H ；反之，无法拒绝0H 。
t 检验方法的关键是统计量 )?(?j j j Se t βββ-= 必须服从已知的 t 分布函数。什么情况或条件下才会这 样呢？这需要我们建立的模型满足如下的条件（或假定）： （1） 随机抽样性。我们有一个含n 次观测的随 机样 (){}n i Y X X X i ik i i ,,2,1:,,,,21ΛΛ=。这保证了误差u 自身的随机性，即无自相关性， 0))())(((=--j j i i u E u u E u Cov 。 （2） 条件期望值为0。给定解释变量的任何值，误差 u 的期望值为零。即有 这也保证了误差u 独立于解释变量 X X X ,,,21Λ，即模型中的解释变量是外生性的，也使得 0)(=u E 。 (3） 不存在完全共线性。在样本因而在总体中，没有一个解释变量是常数，解释变量之间也不存在严格的线性关系。 （4） 同方差性。常数==2 21),,,(σk X X X u Var Λ。 （5） 正态性。误差u 满足 ),0(~2 σNormal u 。 在以上5个前提下，才可以推导出： 由此可见， t 检验方法所要求的条件是极为苛刻的。 二、 对参数的一个线性组合的假设的检验 需要检验的虚拟假设为 0H ：21j j ββ=。比如21ββ=无 法直接检验。设立新参数 211ββθ-=。
实验报告 ——（非参数检验） 实验目的： 1、学会使用SPSS软件进行非参数检验。 2、熟悉非参数检验的概念及适用范围，掌握常见的秩和检验计算方法。 实验内容： 1、某公司准备推出一个新产品，但产品名称还没有正式确定，决定进行抽样调 查，在受访200人中，52人喜欢A名称，61人喜欢B名称，87人喜欢C 名称，请问ABC三种名称受欢迎的程度有无差别？(数据表自建) SPSS计算结果如下： 此题为总体分布的卡方检验。 零假设：样本来自总体分布形态和期望分布没有显著差异。即ABC三种名称受欢迎的程度无差别,分布形态为1：1：1，呈均匀分布。 观察结果，上表为200个观察数据对A、B、C三个名称（分别对应1，2，3）的喜爱的期望频数以及实际观察频数和期望频数的差。从下表中可以看出相伴概
率值为0.007小于显著性水平0.05，因此拒绝零假设，认为样本来自的总体分布与制定的期望分布有显著差异，即A、B、C三种名称受欢迎的程度有差异。 2、某村庄发生了一起集体食物中毒事件，经过调查，发现当地居民是直接饮用 河水，研究者怀疑是河水污染所致，县按照可疑污染源的大致范围调查了沿河居民的中毒情况，河边33户有成员中毒（+）和均未中毒（-）的家庭分布如下：（案例数据run.sav） -+++*++++-+++-+++++----++----+---- 毒源 问：中毒与饮水是否有关？ SPSS计算结果如下： 此题为单样本变量值随机检验 零假设：总体某变量的变量值是随机出现的。即中毒的家庭沿河分布的情况随机分布，与饮水无关。 相伴概率为0.036，小于显著性水平0.05，拒绝零假设，因此中毒与饮水有关。 3、某试验室用小白鼠观察某种抗癌新药的疗效，两组各10只小白鼠，以生存日数作为观察指标，试验结果如下，案例数据集为：npara1.sav，问两组小白鼠生存日数有无差别。 试验组：24 26 27 30 32 34 36 40 60 天以上 对照组：4 6 7 9 10 10 12 13 16 16 SPSS计算结果如下： 此题为两独立样本非参数检验。 （1）两独立样本Mann-Whitney U检验：
多元性回归模型与一元线性回归模型一样，在得到参数的最小二乘法的估计值之后，也需要进行必要的检验与评价，以决定模型是否可以应用。 1、拟合程度的测定。 与一元线性回归中可决系数r2相对应，多元线性回归中也有多重可决系数r2，它是在因变量的总变化中，由回归方程解释的变动(回归平方和)所占的比重，R2越大，回归方各对样本数据点拟合的程度越强，所有自变量与因变量的关系越密切。计算公式为： 其中， 2.估计标准误差 估计标准误差，即因变量y的实际值与回归方程求出的估计值之间的标准误差，估计标准误差越小，回归方程拟合程度越程。 其中，k为多元线性回归方程中的自变量的个数。 3.回归方程的显著性检验 回归方程的显著性检验，即检验整个回归方程的显著性，或者说评价所有自变量与因变量的线性关系是否密切。能常采用F检验，F统计量的计算公式为： 根据给定的显著水平a,自由度(k,n-k-1)查F分布表，得到相应的临界值Fa，若F > Fa，则回归方程具有显著意义，回归效果显著；F < Fa，则回归方程无显著意义，回归效果不显著。 4.回归系数的显著性检验 在一元线性回归中，回归系数显著性检验(t检验)与回归方程的显著性检验(F检验)是等价的，但在多元线性回归中，这个等价不成立。t检验是分别检验回归模型中各个回归系数是否具有显著性，以便使模型中只保留那些对因变量有显著影响的因素。检验时先计算统计量ti；然后根据给定的显著水平a,自由度n-k-1查t分布表，得临界值ta或ta / 2,t > t ? a或ta / 2，则回归系数bi与0有显著关异，反之，则与0无显著差异。统计量t 的计算公式为： 其中，Cij是多元线性回归方程中求解回归系数矩阵的逆矩阵(x'x) ?1的主对角线上的第j个元素。对二元线性回归而言，可用下列公式计算： 其中， 5.多重共线性判别 若某个回归系数的t检验通不过，可能是这个系数相对应的自变量对因变量的影平不显
对多元线性回归模型的各种检验方法 对于形如 u X X X Y k k +++++=ββββΛΛ22110 （1） 的回归模型，我们可能需要对其实施如下的检验中的一种或几种检验： 一、 对单个总体参数的假设检验：t 检验 在这种检验中，我们需要对模型中的某个（总体）参数是否满足虚拟假设0 H ：j j a =β，做出具有统计意义（即带有一定的置信度）的检验，其中j a 为某个给定的已知数。特别是，当j a =0时，称为参数的（狭义意义上的）显著性检验。如果拒绝0H ，说明解释变量j X 对 被解释变量Y 具有显著的线性影响，估计值j β?才敢使 用；反之，说明解释变量j X 对被解释变量Y 不具有显 著的线性影响，估计值j β?对我们就没有意义。具体检验 方法如下： （1） 给定虚拟假设 0H ：j j a =β；
（2） 计算统计量 )?(?)?()(?j j j j j j Se a Se E t βββββ-=-= 的数值； 11?)?(++-==j j jj jj j C C Se 1T X)(X ，其中σβ （3） 在给定的显著水平α下（α不能大于1.0即 10%，也即我们不能在置信度小于90%以下的前提下做结论），查出双尾t （1--k n ）分布的临界值2/αt ； （4） 如果出现 2/αt t >的情况，检验结论为拒绝 0H ；反之，无法拒绝0H 。 t 检验方法的关键是统计量 )?(?j j j Se t βββ-=必须服从已 知的t 分布函数。什么情况或条件下才会这样呢？这需要我们建立的模型满足如下的条件（或假定）： （1） 随机抽样性。我们有一个含n 次观测的随机样(){}n i Y X X X i ik i i ,,2,1:,,,,21ΛΛ=。这保证了误差u 自身的随机性，即无自相关性，
标题：视觉简单反应时实验报告 作者：孙洁肖红艳普凤梅 班级：09应用心理学 学号：20091740107 20091740109 20091740126 日期：2011年6月24日
视觉简单反应时实验报告 孙洁（20091740107）肖红艳（20091740109）普凤梅（20091740126） （云南民族大学教育学院2009级应用心理学专业昆明 650031） 摘要：本实验采用闪电测反应速度测定装置测量了35名被试的视觉简单反应时，计算了其中3名被试的视觉简单反应时均值及标准差，进行了相应的比较；并对35名被试进行了视觉简单反应时的差异显著性检验，经过分析得到实验结果：（1）3名被试的视觉简单反应时存在很大的差异，特别是被试3的反应时与被试1、被试2的差异很明显；（2）全体被试的视觉简单反应时存在显著性差异，但在35名被试内进行的性别与组别的T检验都得出被试简单反应时不存在显著差别的结果，即本次实验没有存在练习效应。这与前人的实验研究结果相一致，也验证了实验假设的正确性。 关键词：简单反应时；视觉；差异 1.引言 1.1有关反应时的概念 反应时（简称RT）指刺激作用于有机体后到明显的反应开始时所需要的时间。刺激作用于感官引起感官的兴奋，兴奋传到大脑，并对其加工，再通过传出通路传到运动器官，运动反应器接受神经冲动，产生一定反应，这个过程可用时间作为标志来测量，这就是反应时。反应时最早由天文学家发现，后由生理学家和心理学家加以研究和发展。1873年，奥地利生物学家Exner首先提出“反应时间”这个概念。以后Wundt（冯特）把反应时间引用到他的心理实验室里，使得反应时间直接成为了心理学的研究课题。反应时是心理学研究中最重要的反应变量和指标之一，使用反应时作为指标的实验研究，曾对解决心理学理论问题和生活实际问题起到相当大的作用。 通常，反应时可分为简单反应时和选择反应时两类。简单反应时是指给被试呈现单一的刺激，只要求做单一的反应，并且两者是固定不变的，这时刺激与反应之间的时距就是简单反应时。简单反应时的实验已有一百多年的历史，最早始于天文学家对“人差方程”的研究，赫希（Hirsch, A.）在1861-1865 年间测量了视听与触觉的“生理时间”得到简单反应时的时值，光为180ms，声为140ms，触觉为140ms，这些数据到今天还算是相当标准的。 简单反应时比较短，并且具有通道差异性，因为感官换能的时间不同，研究表明训练有素的成人其视觉的简单反应时为150-230ms；此外反应时的个体差异也很大，所以我们提出假设：全体被试的视觉简单反应时存在显著性差异。 1.2实验目的 本实验涉及的是有关视觉简单反应时的研究。验的目的是：（1）学习视觉简单反应时的测定方法及其实验材料的整理与数据的处理；（2）学会比较视觉简单反应时的个体差异，分析全体被试视觉简单反应时是否存在显著性差异。1.3 实验指导语 这是一次视觉反应时间的测量实验，当你听到“预备”口令后，请你注意电脑屏幕的刺激呈现窗；当你看到闪电刺激后，就迅速按“OK”键（鼠标左键）上。不能提前按键或延迟较长时按键，否则测量无效，并重开一组。
第七章 非参数回归模型与半参数回归模型 第一节 非参数回归与权函数法 一、非参数回归概念 前面介绍的回归模型，无论是线性回归还是非线性回归，其回归函数形式都是已知的，只是其中参数待定，所以可称为参数回归。参数回归的最大优点是回归结果可以外延，但其缺点也不可忽视，就是回归形式一旦固定，就比较呆板，往往拟合效果较差。另一类回归，非参数回归，则与参数回归正好相反。它的回归函数形式是不确定的，其结果外延困难，但拟合效果却比较好。 设Y 是一维观测随机向量，X 是m 维随机自变量。在第四章我们曾引进过条件期望作回归函数，即称 g (X ) = E (Y |X ) （7.1.1） 为Y 对X 的回归函数。我们证明了这样的回归函数可使误差平方和最小，即 22)]([min )]|([X L Y E X Y E Y E L -=- （7.1.2） 这里L 是关于X 的一切函数类。当然，如果限定L 是线性函数类，那么g (X )就是线性回归函数了。 细心的读者会在这里立即提出一个问题。既然对拟合函数类L (X )没有任何限制，那么可以使误差平方和等于0。实际上，你只要作一条折线(曲面)通过所有观测点(Y i ，X i )就可以了是的，对拟合函数类不作任何限制是完全没有意义的。正象世界上没有绝对的自由一样，我们实际上从来就没有说放弃对L(X)的一切限制。在下面要研究的具体非参数回归方法，不管是核函数法，最近邻法，样条法，小波法，实际都有参数选择问题(比如窗宽选择，平滑参数选择)。 所以我们知道，参数回归与非参数回归的区分是相对的。用一个多项式去拟合(Y i ，X i )，属于参数回归；用多个低次多项式去分段拟合(Y i ，X i )，叫样条回归，属于非参数回归。 二、权函数方法 非参数回归的基本方法有核函数法，最近邻函数法，样条函数法，小波函数法。这些方法尽管起源不一样，数学形式相距甚远，但都可以视为关于Y i 的线性组合的某种权函数。也就是说，回归函数g (X )的估计g n (X )总可以表为下述形式：
一元线性回归分析及方差分析与显著性检验 某位移传感器的位移x 与输出电压y 的一组观测值如下：（单位略） 设x 无误差，求y 对x 的线性关系式，并进行方差分析与显著性检验。 （附：F 0。10(1，4)=，F 0。05(1，4)=，F 0。01(1，4)=） 回归分析是研究变量之间相关关系的一种统计推断法。 一． 一元线性回归的数学模型 在一元线性回归中，有两个变量，其中 x 是可观测、可控制的普通变量，常称它为自变量或控制变量，y 为随机变量，常称其为因变量或响应变量。通过散点图或计算相关系数判定y 与x 之间存在着显著的线性相关关系，即y 与x 之间存在如下关系： (1) / 通常认为 且假设与x 无关。将观测数据 (i=1，……，n)代入(1) 再注意样本为简单随机样本得： (2) 称(1)或(2)(又称为数据结构式)所确定的模型为一元(正态)线性回归模型。 对其进行统计分析称为一元线性回归分析。 模型(2)中 EY= ，若记 y=E(Y),则 y=a+bx,就是所谓的一元线性回归方程， 其图象就是回归直线，b 为回归系数，a 称为回归常数，有时也通称 a 、b 为回归系数。 设得到的回归方程 bx b y +=0? 残差方程为N t bx b y y y v t t t i ,,2,1,?0 =--=-= 根据最小二乘原理可求得回归系数b 0和b 。 对照第五章最小二乘法的矩阵形式，令 ￥ ?????? ? ??=??? ? ??=??? ???? ??=??????? ??=N N N v v v V b b b x x x X y y y Y 2102121?111 则误差方程的矩阵形式为
由詹鹏整理，仅供交流和学习 根据南京财经大学统计系孙瑞博副教授的课件修改，在此感谢孙老师的辛勤付出！ 教材为：Luke Keele: Semiparametric Regression for the Social Sciences. John Wiley & Sons, Ltd. 2008. ------------------------------------------------------------------------- 第一章introduction: Global versus Local Statistic 一、主要参考书目及说明 1、Hardle(1994). Applied Nonparametic Regresstion. 较早的经典书 2、Hardle etc (2004). Nonparametric and semiparametric models: an introduction. Springer. 结构清晰 3、Li and Racine(2007). Nonparametric econometrics: Theory and Practice. Princeton. 较全面和深入的介绍，偏难 4、Pagan and Ullah (1999). Nonparametric Econometrics. 经典 5、Yatchew(2003). Semiparametric Regression for the Applied Econometrician. 例子不错 6、高铁梅（2009）. 计量经济分析方法与建模：EVIEWS应用及实例（第二版）. 清华大学出版社. （P127/143） 7、李雪松（2008）. 高级计量经济学. 中国社会科学出版社. （P45 ch3） 8、陈强（2010）. 高级计量经济学及Stata应用. 高教出版社. （ch23/24） 【其他参看原ppt第一章】 二、内容简介 方法： ——移动平均（moving average） ——核光滑（Kernel smoothing） ——K近邻光滑（K-NN） ——局部多项式回归（Local Polynormal） ——Loesss and Lowess ——样条光滑（Smoothing Spline） ——B-spline ——Friedman Supersmoother 模型： ——非参数密度估计 ——非参数回归模型 ——非参数回归模型 ——时间序列的半参数模型 ——Panel data 的半参数模型 ——Quantile Regression 三、不同的模型形式 1、线性模型linear models 2、Nonlinear in variables 3、Nonlinear in parameters
实验报告 非参数检验 学院: 参赛队员: 参赛队员: 参赛队员: 指导老师:
目录 一、实验目的 (1) 1.了解假设检验的基本内容； (1) 2.了解卡方检验； (1) 3.了解二项分布检验； (1) 4.了解两个独立样本检验； (1) 5.学会运用spss软件求解问题； (1) 6.加深理论与实践相结合的能力。 (1) 二、实验环境 (1) 三、实验方法 (1) 1.卡方检验； (1) 2.二项分布检验； (1) 3.两个独立样本检验。 (1) 四、实验过程 (1) 问题一： (1) 1.1实验步骤 (2) 1.1.1输入数据 (2) 1.1.2选择：数据 加权个案 (2) 1.1.3选择：分析→非参数检验→旧对话框→卡方 (2) 1.1.4将变量面值放入检验变量列表 (3) 1.1.5观察结果 (3) 1.2输出结果 (3) 1.3结果分析 (3) 问题二： (3) 2.1问题叙述 (3) 2.2提出假设 (4) 2.3实验步骤 (4) 2.3.1导入excel文件数据 (4) 2.3.2二项分布检验 (5) 2.3.3输出结果 (6) 2.4结果分析 (6) 问题三： (6) 3.1实验步骤 (6) 3.1.1数据的输入 (6) 3.1.2选择 (7) 3.1.3检验变量 (7) 3.2输出结果 (7) 3.3结果分析 (9) 五、实验总结 (9)
参数检验 一、实验目的 1.了解假设检验的基本内容； 2.了解卡方检验； 3.了解二项分布检验； 4.了解两个独立样本检验； 5.学会运用spss软件求解问题； 6.加深理论与实践相结合的能力。 二、实验环境 Spss、office 三、实验方法 1.卡方检验； 2.二项分布检验； 3.两个独立样本检验。 四、实验过程 问题一：
实验实训报告 课程名称：计量经济学实验 开课学期： 2011-2012学年第一学期开课系(部)：经济系 开课实验(训)室：数量经济分析实验室学生姓名： 专业班级： 学号： 重庆工商大学融智学院教务处制
实验题目 实验(训)项目名称多元线性回归模型的估计和统 指导教师 计检验 实验(训)日期所在分组 实验概述 【实验(训)目的及要求】 目的：掌握多元线性回归模型的估计、检验。 要求：在老师指导下完成多元线性回归模型的建立、估计、统计检验，并得到正确的分析结果。 【实验(训)原理】 当多元线性回归模型在满足线性模型古典假设的前提下，最小二乘估计结果具有无偏性、有效性等性质，在此基础上进一步对估计所得的模型进行经济意义检验及统计检验。 实验内容 【实验(训)方案设计】 1、创建工作文件和导入数据； 2、完成变量的描述性统计； 3、进行多元线性回归估计； 4、统计检验：可决系数分析（R2）；（2）参数显著性分析(t检验)；（3）方程显著性分析（F检验）； 5、进行变量非线性模型的线性化处理，并比较不同模型的拟合优度（因变量相同时）。 实验背景 选择包括中央和地方税收的“国家财政收入”中的“各项税收”（简称“TAX”）作为被解释变量，以反映国家税收的增长。选择“国内生产总值（GDP）”作为经济整体增长水平的代表；选择中央和地方“财政支出”作为公共财政需求的代表(FIN)；选择“商品零售物价指数”作为物价水平的代表(PRIC)，并将它们设为影响税收收入的解释变量。建立中国税收的增长模型，并对已建立的模型进行检验。
【实验(训)过程】（实验(训)步骤、记录、数据、分析 ） 1、根据实验数据的相关信息建立Workfile ； 在菜单中依次点击File\New\Workfile,在出现的对话框“Workfile range ”中选择数据频率。因为本例分析中国1978-2002年度的税收（Tax ）与GDP 、财政支出（FIN ）、商品零售物价指数（PRIC ）之间关系，因此，在数据频率选项中选择“Annual ”选项。在“start data ”输入“1978”，在“end data ”输入“2002”。 2、导入数据； 在菜单栏中选择“Quick\Empty Group ”,将TAX 、GDP 、FIN 、PRIC 的年度数据从Excel 导入，并将这四个序列的名称分别改为“TAX ” 、“TAX ” 、“GDP ” 、“FIN ” 、“PRIC ” 。 或者在EViews 命令窗口中直接输入“data TAX GDP FIN PRIC ” ，在弹出的编辑框中将这四个个变量的时间数列数据从Excel 中复制过来。 3、给出自变量和因变量的描述性统计结果，并判断数据序列是否服从正态分布 （5%α=） 变量名 Mean Median Std J-B 值 J.B p 值 是否服从正态分布 GDP 35977 18548 34445 3.308 0.191 是 FIN 5855 3084 5968 9.390 0.009 否 PRIC 105 103 7 4.125 0.127 是 TAX 4848 2822 4871 6.908 0.032 否 4、给出自变量和因变量之间的相关系数矩阵： GDP FIN PRIC TAX GDP 1.000 0.957 -0.290 0.969 FIN 0.957 1.000 -0.375 0.997 PRIC -0.290 -0.375 1.000 -0.334 TAX 0.969 0.997 -0.334 1.000 5、假设总体回归模型1为0123TAX GDP FIN PRIC u ββββ=++++，进行多元回归估计 并报告估计结果：