摘要:
目前,在一些财会杂志和教课书中,应用线性回归的例子很多,这些例子大多是依据一组数据,应用回归公式,求出系数a、b,然后用函数式y=a+bx来进行预测和分析汁算。其实这种计算所得的结果并不准确、可靠,因为线性回归的应用是有条件的,这种条件要求回归函数的两个变量必须具备必然的联系,只有具备了这个条件才可以做线性回归,得到函数式y=a+bx。有了函数式以后,也不一定就可以应用,还要对函数式进行检验,检验回归函数与实际的相符程度,这种检验对研究y=a+bx函数的质量几乎有决定性的意义。因为函数式不正确,不仅随之而做的检验要付诸东流,更重要的是,由此所做的一系列预测和分析都会与实际大相径庭,而变得毫无意义。因此,必须对所回归的函数进行检验,检验的指标有三个:
一.拟合优度的检验
这一检验反映回归函数与原数据之间相差的程度。如果站在统计学的角度来看,这一指标相当于统计上的相关系数,拟合优度只不过是相关系数的平方,其含义完全一致。反映回归变差与总变差的比重,这一比重越高,说的误差总变差的比重越低,因而函数式就越准确。
二.F检验
这是对所拟模型全面显著性的检验。先设系数a、b同时为零,再以反证的形式...
目前,在一些财会杂志和教课书中,应用线性回归的例子很多,这些例子大多是依据一组数据,应用回归公式,求出系数a、b,然后用函数式y=a+bx来进行预测和分析汁算。其实这种计算所得的结果并不准确、可靠,因为线性回归的应用是有条件的,这种条件要求回归函数的两个变量必须具备必然的联系,只有具备了这个条件才可以做线性回归,得到函数式y=a+bx。有了函数式以后,也不一定就可以应用,还要对函数式进行检验,检验回归函数与实际的相符程度,这种检验对研究y=a+bx函数的质量几乎有决定性的意义。因为函数式不正确,不仅随之而做的检验要付诸东流,更重要的是,由此所做的一系列预测和分析都会与实际大相径庭,而变得毫无意义。因此,必须对所回归的函数进行检验,检验的指标有三个:
一.拟合优度的检验
这一检验反映回归函数与原数据之间相差的程度。如果站在统计学的角度来看,这一指标相当于统计上的相关系数,拟合优度只不过是相关系数的平方,其含义完全一致。反映回归变差与总变差的比重,这一比重越高,说的误差总变差的比重越低,因而函数式就越准确。
二.F检验
这是对所拟模型全面显著性的检验。先设系数a、b同时为零,再以反证的形式,查F表,得a、b不同时为零,这样就可断定函数显著。
三.标准差检验
就是检验函数中的系数a、b是否可靠,如果a、b不可靠,说的函数式没有经济意义。如果各标准差小于其系数a、b的一半,就可以断言系数a、b是可靠的,进而可说明函数式是有经济意义的。
上述三个指标,分别从不同角度就所回归函数的准确性问题进行了比较全面的检验和评价,这样才有理由相信,所回归函数与实际是相符的,函数可以在财会预测和分析中应用。