课程编号:0712020110
课程基本情况:
1.课程名称:应用回归分析
2.英文名称:Applied Regression Analysis
3.课程属性:专业必修课
4.学 分:3 总学时:51
5.适用专业:应用统计学
6.先修课程:概率论、统计学概论
7.考核形式:考试
一、本课程的性质、地位和作用
《应用回归分析》课程是数学系应用统计学专业的专业必修课程. 它是在学生掌握了一定的数学专业理论知识的基础上开设的. 本课程是学生掌握统计学的基本思想、理论和方法的主要课程,是培养学生熟练应用计算机软件处理统计数据的能力的基础课程. 通过本课程的学习,培养学生统计专业知识和统计技能,突出实际案例的应用和统计思想的渗透,结合统计软件较全面系统掌握回归分析的实用方法. 了解统计知识在相关领域(如社会经济、生物、医学、信息管理、保险金融等)的应用,使学生成为具有综合应用能力的应用型人才.
二、教学目的与要求
1.教学目的
应用回归分析作为统计学中的重要分支,通过本课程的学习,让学生会应用回归分析中的诸多方法进行数据分析和建模,通过和不同学科知识相结合,对所考虑具体问题给出合理的推断. 帮助学生获得回归分析的基本知识,掌握基本应用技能,了解本学科的特点和发展前沿. 让学生在接受知识熏陶的同时,思维能力得以加强,数学修养得以提高. 引导学生既重视理论知识又重视实际应用,努力把他们培养成复合型实用人才.
2.教学要求
应用回归分析研究具有相关关系的变量间的统计规律性,通过对本课程的系统学习,让学生获得回归分析的基本知识,掌握基本应用技能. 要求学生掌握用经典的线性回归分析建模的方法,掌握回归诊断的方法,并利用相关知识和方法解决现实中的实际问题.
三、课程教学内容及学时安排
按照教学方案安排,本课程安排在第四学期讲授,全学程共51学时,其中课内讲授34学时,实验(实践)课17学时,具体讲授内容及学时安排见下表:
《应用回归分析》教学内容及学时分配表
章 |
标题 |
学时数 |
课内讲授 |
实验(实践) |
备注 |
1 |
回归分析概述 |
4 |
4 |
|
|
2 |
一元线性回归 |
10 |
6 |
4 |
|
3 |
多元线性回归 |
10 |
6 |
4 |
|
4 |
违背基本假设的情况 |
8 |
5 |
3 |
|
5 |
自变量选择与逐步回归 |
6 |
4 |
2 |
|
6 |
多重共线性的情形及其处理 |
5 |
3 |
2 |
|
7 |
岭回归 |
5 |
4 |
1 |
|
8 |
主成分回归与偏最小二乘 |
3 |
2 |
1 |
|
9 |
*非线性回归 |
|
|
|
|
10 |
*含定性变量的回归模型 |
|
|
|
|
合计 |
51 |
34 |
17 |
|
四、参考教材与书目
1.参考教材
何晓群,刘文卿.应用回归分析.第四版.北京:中国人民大学出版社,2015
2.参考书目
[1] 陈希孺,王松桂.近代回归分析.合肥:安徽教育出版社,1987
[2] 王松桂、陈敏、陈立平.线性统计模型-线性回归分析与方差分析.北京:高等教育出版社,1999
第 1 章 回归分析概述(4学时)
【教学目的与要求】
1. 掌握回归分析应用及建立实际问题回归模型的过程;
2. 理解回归分析的基本概念、回归分析的主要内容及其一般模型;
3. 了解回归方程与回归名称的由来;
4. 初步了解回归分析发展述评.
【教学重点】
1. 回归方程的定义;
3. 回归分析的主要内容、回归模型的一般形式;
4. 建立回归模型的过程;
5. 回归分析的应用和发展述评.
【教学难点】
1. 回归模型的一般形式;
2. 建立回归模型的过程;
3. 回归分析的应用.
【教学方法】
讲授、讨论.
【教学内容】
1. 变量之间的统计关系
2. 回归方程与回归名称的由来
3. 回归分析的主要内容及其一般模型
4. 建立回归模型的过程
5. 回归分析的应用和发展述评
第 2 章 一元线性回归(10学时)
【教学目的与要求】
1. 掌握一元线性回归模型的数学形式、参数的估计,最小二乘估计的性质;
2. 理解并掌握回归方程的显著性检验、相关系数的显著性检验、残差分析、回归系数的区间估计、回归模型建立及预测;
3. 了解一元线性回归模型的一般应用;
4. 初步了解一元线性回归模型的控制问题.
【教学重点】
1. 一元线性回归模型的数学形式、回归模型未知参数的最小二乘估计、最大似然估计、最小二乘估计的性质;
2. 回归方程的显著性检验:T检验、F检验、相关系数的显著性检验、决定系数,回归系数的区间估计;
3. 残差的概念与残差图、残差的性质;
4. 预测及控制.
【教学难点】
1. 一元线性回归模型中未知参数的最小二乘估计、最大似然估计、最小二乘估计的性质;
2. T检验、F检验、相关系数的显著性检验之间的关系,决定系数,回归系数的区间估计;
3. 残差的概念与残差图、残差的性质;
4. 预测及控制.
【教学方法】
讲授、讨论、练习.
【教学内容】
1. 一元线性回归模型
一元线性回归模型的实际背景,一元线性回归模型的数学形式.
2. 回归模型未知参数的估计
最小二乘估计、最大似然估计
3. 最小二乘估计的性质
线性、无偏性、估计量的方差
4. 回归方程的显著性检验
T检验、F检验、相关系数的显著性检验、三种检验的关系、决定系数
5. 残差分析
残差的概念与残差图、残差的性质、改进的残差
6. 回归系数的区间估计
7. 预测及控制
单值预测、区间预测、控制问题
第 3 章 多元线性回归(10学时)
【教学目的与要求】
1. 掌握多元线性回归模型、回归参数的估计、参数估计量的性质,回归方程的显著性检验及应用;
2. 理解中心化和标准化问题;
3. 了解相关阵与偏相关系数.
【教学重点】
1. 多元线性回归模型的一般数学形式、多元线性回归模型的基本假定、多元线性回归方程的解释;
2. 回归模型未知参数的估计:最小二乘估计、最大似然估计,参数估计量的性质,回归方程的显著性检验:F检验、T检验、拟合优度
3. 中心化和标准化过程
4. 相关阵和偏相关系数
【教学难点】
1. 多元线性回归模型的基本假定、多元线性回归方程的解释;
2. 回归模型未知参数的估计:最小二乘估计、最大似然估计、回归值与残差
3. F检验、T检验、回归系数的置信区间、拟合优度
4. 相关阵和偏相关系数
【教学方法】
讲授、讨论、练习.
【教学内容】
1. 多元线性回归模型
多元线性回归模型的数学形式、多元线性回归模型的基本假定、多元线性回归方程的解释
2. 回归模型未知参数的估计
最小二乘估计、最大似然估计、回归值与残差
3. 参数估计量的性质
4. 回归方程的显著性检验
F检验、T检验、回归系数的置信区间、拟合优度
5. 中心化和标准化过程
6. 相关阵和偏相关系数
样本相关阵、偏决定系数、偏相关系数
第4章 违背基本假设的情况(8学时)
【教学目的与要求】
1. 掌握一元加权最小二乘估计、多元加权最小二乘估计、自相关性问题及其处理;
2. 熟悉异常值与强影响点及处理;
3. 理解违背基本假设概念;
4. 了解异方差性产生的背景和原因.
【教学重点】
1. 异方差性的检验:残差图分析法、等级相关系数法,一元加权最小二乘估计;
2. 多元加权最小二乘估计、权函数的确定方法;
3. 自相关的诊断:图示检验法、自相关系数法、DW检验,自相关问题的处理方法:迭代法、差分法;
4. BOX-COX变换;异常值和强影响点.
【教学难点】
1. 异方差性的检验:残差图分析法、等级相关系数法;
2. 一元和多元加权最小二乘估计;
3. 自相关的诊断:图示检验法、自相关系数法、DW检验,自相关问题的处理方法:迭代法、差分法;
4. BOX-COX变换;异常值和强影响点.
【教学方法】
讲授、讨论、练习.
【教学内容】
1. 异方差产生的背景和原因
2. 一元加权最小二乘估计
异方差性的检验:残差图分析法、等级相关系数法,一元加权最小二乘估计、寻找最优权函数
3. 多元加权最小二乘估计
多元加权最小二乘法、权函数的确定方法
4. 自相关性问题及其处理
自相关性产生的背景和原因、自相关性带来的问题、自相关的诊断、自相关问题的处理方法
5. BOX-COX变换
6. 异常值和强影响点
关于因变量y的异常值、关于自变量x的异常值对回归的影响
第5章 自变量选择与逐步回归(6学时)
【教学目的与要求】
1. 掌握逐步回归及应用;
2. 熟悉自变量选择对估计和预测的影响;
3. 理解所有子集回归;
4. 了解自变量选择.
【教学重点】
1. 全回归模型、选模型、自变量选择对预测的影响;
2. 所有子集的数目、自变量选择的三个准则;
3. 前进法、后退法、逐步回归法.
【教学难点】
1. 自变量选择对估计和预测的影响;
2. 自变量选择的三个准则;
3. 前进法、后退法、逐步回归法.
【教学方法】
讲授、讨论、练习.
【教学内容】
1. 自变量选择对估计和预测的影响
全回归模型、选模型
2. 所有子集回归
所有子集的数目、自变量选择的几个准则
3. 逐步回归
前进法、后退法、逐步回归法
第6章 多重共线性的情形及其处理(5学时)
【教学目的与要求】
1. 掌握消除多重共线性的方法;
2. 熟悉多重共线性的诊断;
3. 理解多重共线性对回归模型的影响;
4. 了解多重共线性产生的背景和原因.
【教学重点】
1. 多重共线性对回归模型的影响;
2. 多重共线性的诊断方法:方差扩大因子法、特征根判定法;
3. 消除多重共线性的方法:踢出一些不重要的解释变量、增大样本量.
【教学难点】
1. 多重共线性的诊断方法:方差扩大因子法、特征根判定法;
2. 消除多重共线性的方法:踢出一些不重要的解释变量、增大样本量.
【教学方法】
讲授、讨论、练习.
【教学内容】
1. 多重共线性产生的原因和背景;
2. 多重共线性对回归模型的影响;
3. 多重共线性的诊断
方差扩大因子法、特征根判定法、直观判定法
4. 消除多重共线性的方法
踢出一些不重要的解释变量、增大样本量
第7章 岭回归(5学时)
【教学目的与要求】
1. 掌握用岭回归选择变量;
2. 熟悉岭参数k的选择;
3. 理解岭回归估计的定义及性质;
4. 了解岭迹分析.
【教学重点】
1. 岭回归的定义、岭回归估计的性质;
2. 岭迹分析;
3. 岭迹法、方差扩大因子法、由残差平方和确定k值;
4. 用岭回归选择变量.
【教学难点】
1. 岭迹分析;
2. 岭迹法、方差扩大因子法、由残差平方和确定k值;
3. 用岭回归选择变量.
【教学方法】
讲授、讨论、练习.
【教学内容】
1. 岭回归估计的定义及性质
岭回归的定义、岭回归估计的性质
2. 岭迹分析
3. 岭参数K的选择
岭迹法、方差扩大因子法、由残差平方和确定k值
4. 用岭回归选择变量
第8章 主成分回归与偏最小二乘(3学时)
【教学目的与要求】
1. 理解主成分回归与偏最小二乘估计统计基本思想;
2. 掌握主成分回归与偏最小二乘估计的方法和性质.
【教学重点】
1. 主成分的基本思想、主成分的基本性质;
2. 偏最小二乘的基本原理、偏最小二乘的算法.
【教学难点】
1. 主成分的基本思想、主成分的基本性质;
2. 偏最小二乘的基本原理、偏最小二乘的算法;
3. 主成分回归和偏最小二乘的应用.
【教学方法】
讲授、讨论、练习.
【教学内容】
1. 主成分回归
主成分的基本思想、主成分的基本性质
2. 偏最小二乘
偏最小二乘的基本原理、偏最小二乘的算法
*第9章 非线性回归
【教学目的与要求】
1. 掌握可化为线性回归的曲线回归的方法;
2. 熟悉多项式回归的方法和实用场合;
3. 理解非线性模型的概念和其估计方法;
4. 了解非线性回归、多项式回归的应用.
【教学重点】
1. 可化为线性回归的曲线回归的方法;
2. 几种常见的多项式回归模型;
3. 非线性回归模型的一般形式、非线性最小二乘.
【教学难点】
1. 可化为线性回归的曲线回归的方法;
2. 非线性模型的估计方法;
3. 非线性回归、多项式回归的应用.
【教学方法】
自学.
【教学内容】
1. 可化为线性回归的曲线回归
线性函数、对数函数、双曲函数、S型曲线
2. 多项式回归
几种常见的多项式回归模型
3. 非线性模型
非线性回归模型的一般形式、非线性最小二乘
*第10章 含定性变量的回归模型
【教学目的与要求】
1. 熟悉自变量中含有定性变量的回归模型、因变量是定性变量的回归模型及其应用;
2. 理解自变量中含有定性变量的回归、因变量是定性变量的回归;因变量顺序数据的回归;
3. 掌握Logistic回归模型、多类别Logistic回归模型.
【教学重点】
1. 自变量中含有定性变量的回归模型及其应用;
2. 因变量是定性变量的回归模型;
3. Logistic回归模型;
4. 多类别Logistic回归模型;
5. 因变量顺序数据的回归.
【教学难点】
1. 自变量中含有定性变量的回归模型、因变量是定性变量的回归模型的应用;
2. Logistic回归模型、多类别Logistic回归模型;
3. 因变量顺序数据的回归.
【教学方法】
自学.
【教学内容】
1. 自变量中含有定性变量的回归模型
2. 因变量是定性变量的回归模型
3. Logistic回归模型
分组数据的Logistic回归模型、未分组数据的Logistic回归模型、Probit回归模型
4. 多类别Logistic回归模型
5. 因变量顺序数据的回归
执笔人: 杨静雅 审定人:李建丽