Transcript 回帰分析（Regression Analysis)

回帰分析（Regression Analysis)
最小２乗法
決定係数
回帰分析とは２変数の間に線形式を当てはめ、YがXによって
どれくらい説明できるのかを定量的に分析することである
Y
傾き


切片
線形関係の仕組み
X
ＸとYの線形関係
変数ｘと変数ｙの線形関係を把握するため
に、一つの固定した傾き  と切片  をと
り、その直線を
① y    x
とおいてみる。
Ｘ：独立変数（説明変数）.
Y：従属変数（被説明変数）.
ｘからｙへの推計とその誤差
 とβが決められたら、式①のｘに第 i 番のデータ
を xi 代入したときの yi の値を y i* とすると、
理論値 ②
y    xi が得られる。
*
i
ｎ個データ ( xi , yi )(i  1,2,  , n) について、ｎ個の誤差  iが
式③によって得られる。
実際値 ③
誤差 ④
yi    xi   i
 i  yi  y  yi  (  xi )
 yi    xi
*
i
最小２乗法

パラメータ（Parameter, 未知の係数） 、  が
定まれば、この直線が定まり、ｘ から ｙ が決定され
る仕組みが明らかになる。
最小２乗法（ Least Squares Method）とは、
 i  yi  (  xi ) としたとき、
n
2

 i
i 1
n

i 1
2
i
→最小となるような  と  を求める手法
が誤差の２乗和と呼ばれる
誤差の２乗和(Sum of Squares of Errors)
⑤ SSE 
n

i 1
n
2
i
  ( yi    xi )  Q
2
i 1
を最小にするような  と  の値を求める。
この方法を最小2乗法といい、その推定値
を最小２乗推定値という。
誤差を最小にする方法

SSEは と  の２変数関数の２次式であるので、
最小を求めるために 、  でそれぞれ偏微分
して０とおくと、正規方程式

Q
 2 ( yi    xi )  0

Q
 2 xi ( yi    xi )  0

となる。
極値の判定
関数f(x)において、
f (a)  0, f (a)  o
`
``
ならば
f(x)はx=aで極小となり
ならば
f (a)  0, f (a)  o
`
``
f(x)はx=aで極大となる
連立方程式の解を解く
Q
 2 ( yi    xi )  0

より
Q
 2 xi ( yi    xi )  0

n
y
i 1
n
i
 n    xi
i 1
⑥
n
x y
i 1
i
n
i
n
   xi    x
i 1
i 1
2
i
回帰係数の計算式
式⑥を  ,  の２元連立方程式として解く
と、,  の最小２乗推定値は
⑦ b
⑧
n xi yi   xi  yi
n x  ( xi )
2
i
2

S xy
S xx
a  y  bx
⑨ 回帰方程式
yi  a  bxi
練習問題
最小２乗残差
回帰直線を用いてｘに xi を代入したときの直線
の予測値 ŷi
⑩
yˆ i  a  bxi
と実際値の yi との差
⑪
ei  yi  yˆ i  yi  a  bxi
作成する。これを最小２乗残差という。
最小２乗残差の平均値と分散
残差 ei は理論的誤差  i の実現値と見なし
て、ｎ 個のデータを用いて ｘ と ｙ の線形関
係をよく把握したものである。
1 n
⑫残差の平均 e   ei  y  a  bx  0
n i 1
⑬残差の分散 S  1 (e  e ) 2  1 e 2
 i
i
ee
n
n
残差の分散が小さいほど、回帰直線のフィット（当てはまり）の
度合いはよく、ｎ個データの xi と yi の線形関係は強くなる
練習問題
予習：ｐｐ.200-202