文档介绍：在数量分析中,经常会看到变量与变量之间存在着一定的联系。要了解变量之间如何发生相互影响的,就需要利用相关分析和回归分析。本章介绍回归分析基本概念,回归分析的主要类型:曲线估计、线性回归分析、非线性回归分析。,恰当的曲线拟合方法可以准确而快速地反映出实际情况。在曲线估计中,一般首先绘制自变量和因变量间的散点图,然后通过数据在散点图中的分布特点选择所要进行回归分析的类型。确定函数关系后再进一步确定函数关系中的未知参数,并进行显著性检验。在实际问题中,用户往往不能确定究竟该选择何种函数模型更接近样本数据,这时可以采用曲线估计的方法,其步骤如下:,同时选择几种模型;,并显示R2、F检验值、相伴概率值等统计量;,并作一些预测。P144线性估计示例利用数据文件“”,对horse和mpg两变量进行曲线拟合(曲线估计)。关键数值说明::自变量与因变量的相关系数;:决定系数,度量建立的函数关系能说明的变异百分比;:用回归方程来描述变量之间的统计关系时,观测值yi与按回归线预测的值Yi并不一定完全一致,即各观测点(xi,yi)并不一定都落在回归线上,各观测点偏离回归线的程度,可用它们的总偏差平方和“QT”来表示,即QT=∑(yi-Yi)2+∑(Yi-y)2,其中y是各观测值yi的平均值。∑(Yi-y)2称为回归平方和,其越大则自变量与因变量之间的相关性越好。∑(yi-Yi)2称为残差平方和。统计学上把观测点与它在回归直线上相应位置的差异称残差,把每个残差的平方后加起来称为残差平方和,它表示随机误差的效应。由此可知,总偏平方和=残差平方和+回归平方和。