相关与回归分析 100 个数据分析案例!
相关与回归分析 100 个数据分析案例!
相关与回归分析都是研究变量间关系的统计工具,但侧重点不同:相关分析看“关系有多紧”,回归分析看“怎么用一个变量预测另一个”。你可以先通过相关分析了解关联强度,再用回归分析建立预测模型。

这俩到底有啥不一样
变量角色不同:相关分析把两个变量当“平等伙伴”,不区分谁影响谁;回归分析必须明确“自变量”(解释变量)和“因变量”(被解释变量),方向是单向的。
目标不同:相关分析只告诉你“这两个变量有没有关系、关系多强”;回归分析能算出具体方程,比如“学习时间每增加1小时,成绩预计提高5分”,还能用来预测未来值。
输出形式不同:相关分析输出一个相关系数r(范围在-1到1之间);回归分析输出一个方程,比如y=ax+b。
怎么判断两个变量关系紧不紧
看相关系数r的值:r在0到1之间是正相关(一个变量增加,另一个也增加),r在-1到0之间是负相关(一个变量增加,另一个减少),r绝对值越接近1关系越强,越接近0关系越弱。
画散点图辅助判断:把数据点在直角坐标系上描出来,点集呈斜向上趋势说明正相关,斜向下趋势说明负相关,点分布杂乱说明不相关。
注意r²和决定系数的关系:相关系数r的平方等于回归模型中的决定系数R²,表示自变量能解释因变量变异的比例。
实际用的时候怎么选
先用相关分析筛选变量:如果想研究多个变量,先做相关分析找出哪些变量之间关系密切,再把相关的变量纳入回归模型。
预测场景用回归分析:如果你需要根据已知数据预测未知值,比如根据广告投入预测销售额、根据客户信用评分预测违约概率,就用回归分析建模。
两者常配合使用:如果相关分析显示变量间关系非常密切,说明求得的回归方程式更可信,实际分析中一般先做相关分析再做回归建模。
说明:本报告含 Pearson 相关(40)、简单线性回归(35)、多元线性回归(10)、逻辑回归(15) 共 100 例。
每个案例原始样本量 n∈[300,1000] 且全部数据完整列出;所有统计量(相关系数 r、回归系数、优势比 OR、t/F/z 的 p 值)均由 Python 从数学原理精确计算。
重要提醒:大样本会显著提升检验功效,使 p 值极小——统计显著 ≠ 实际意义重大,解读时请结合效应量(r、R²、OR、伪 R²)。
第1类:Pearson相关(案例 1–40)
案例 1. 广告投入(万元)与产品销量(千件)
Pearson相关广告费越高销量越高
① 原始数据:
H₀: 总体相关系数 ρ=0(无线性相关);H₁: ρ≠0。
n=928;r = [nΣxy−ΣxΣy]/√[(nΣx²−(Σx)²)(nΣy²−(Σy)²)] = 0.6927;
t = r·√((n−2)/(1−r²)) = 0.6927·√((928−2)/(1−0.4798)) = 29.2268;df=926;p = -2.95e+59。
95% CI(Fisher z):tanh(z±30.430·1/√(n−3)) = [-0.1464, 0.9521]。
③ 计算结果:
案例 2. 学习时长(小时)与考试成绩(分)
Pearson相关学习时间对成绩正向影响
① 原始数据:
H₀: 总体相关系数 ρ=0(无线性相关);H₁: ρ≠0。
n=772;r = [nΣxy−ΣxΣy]/√[(nΣx²−(Σx)²)(nΣy²−(Σy)²)] = 0.6898;
t = r·√((n−2)/(1−r²)) = 0.6898·√((772−2)/(1−0.4758)) = 26.4363;df=770;p = -5.33e+46。
95% CI(Fisher z):tanh(z±20.956·1/√(n−3)) = [0.0916, 0.9222]。
③ 计算结果:
案例 3. 气温(℃)与冰淇淋日销量(个)
Pearson相关夏季温度越高冰淇淋卖得越多
① 原始数据:
H₀: 总体相关系数 ρ=0(无线性相关);H₁: ρ≠0。
n=663;r = [nΣxy−ΣxΣy]/√[(nΣx²−(Σx)²)(nΣy²−(Σy)²)] = 0.7129;
t = r·√((n−2)/(1−r²)) = 0.7129·√((663−2)/(1−0.5082)) = 26.1340;df=661;p = 6.03e-104。
95% CI(Fisher z):tanh(z±1.964·1/√(n−3)) = [0.6732, 0.7485]。
③ 计算结果:
案例 4. 社交媒体粉丝数(万)与帖子互动量(次)
Pearson相关粉丝多互动高
① 原始数据:
H₀: 总体相关系数 ρ=0(无线性相关);H₁: ρ≠0。
n=488;r = [nΣxy−ΣxΣy]/√[(nΣx²−(Σx)²)(nΣy²−(Σy)²)] = 0.6726;
t = r·√((n−2)/(1−r²)) = 0.6726·√((488−2)/(1−0.4524)) = 20.0380;df=486;p = -1.28e+21。
95% CI(Fisher z):tanh(z±1.965·1/√(n−3)) = [0.6208, 0.7186]。
③ 计算结果:
案例 5. 树木年龄(年)与树干直径(cm)
Pearson相关树龄越大越粗
① 原始数据:
H₀: 总体相关系数 ρ=0(无线性相关);H₁: ρ≠0。
n=789;r = [nΣxy−ΣxΣy]/√[(nΣx²−(Σx)²)(nΣy²−(Σy)²)] = 0.6997;
t = r·√((n−2)/(1−r²)) = 0.6997·√((789−2)/(1−0.4896)) = 27.4777;df=787;p = -4.94e+49。
95% CI(Fisher z):tanh(z±19.847·1/√(n−3)) = [0.1575, 0.9178]。
③ 计算结果:
案例 6. 身高(cm)与体重(kg)
Pearson相关身高越高体重越大
① 原始数据:
H₀: 总体相关系数 ρ=0(无线性相关);H₁: ρ≠0。
n=348;r = [nΣxy−ΣxΣy]/√[(nΣx²−(Σx)²)(nΣy²−(Σy)²)] = 0.4803;
t = r·√((n−2)/(1−r²)) = 0.4803·√((348−2)/(1−0.2307)) = 10.1864;df=346;p = -1.30e-03。
95% CI(Fisher z):tanh(z±18.591·1/√(n−3)) = [-0.4442, 0.9094]。
③ 计算结果:
案例 7. 睡眠时间(h)与次日专注度(分)
Pearson相关睡得好更专注
① 原始数据:
H₀: 总体相关系数 ρ=0(无线性相关);H₁: ρ≠0。
n=979;r = [nΣxy−ΣxΣy]/√[(nΣx²−(Σx)²)(nΣy²−(Σy)²)] = 0.5507;
t = r·√((n−2)/(1−r²)) = 0.5507·√((979−2)/(1−0.3032)) = 20.6200;df=977;p = -9.54e+36。
95% CI(Fisher z):tanh(z±31.255·1/√(n−3)) = [-0.3637, 0.9246]。
③ 计算结果:
案例 8. 店铺面积(㎡)与月营业额(万元)
Pearson相关店大营业额高
① 原始数据:
H₀: 总体相关系数 ρ=0(无线性相关);H₁: ρ≠0。
n=450;r = [nΣxy−ΣxΣy]/√[(nΣx²−(Σx)²)(nΣy²−(Σy)²)] = 0.4889;
t = r·√((n−2)/(1−r²)) = 0.4889·√((450−2)/(1−0.2390)) = 11.8608;df=448;p = -3.30e+02。
95% CI(Fisher z):tanh(z±1.965·1/√(n−3)) = [0.4150, 0.5563]。
③ 计算结果:
案例 9. 咖啡摄入量(杯)与工作效率(分)
Pearson相关弱正相关
① 原始数据:
H₀: 总体相关系数 ρ=0(无线性相关);H₁: ρ≠0。
n=503;r = [nΣxy−ΣxΣy]/√[(nΣx²−(Σx)²)(nΣy²−(Σy)²)] = 0.2660;
t = r·√((n−2)/(1−r²)) = 0.2660·√((503−2)/(1−0.0708)) = 6.1764;df=501;p = 1.37e-09。
95% CI(Fisher z):tanh(z±1.965·1/√(n−3)) = [0.1826, 0.3456]。
③ 计算结果:
案例 10. 通勤时间(分)与心情指数(分)
Pearson相关弱相关
① 原始数据:
H₀: 总体相关系数 ρ=0(无线性相关);H₁: ρ≠0。
n=694;r = [nΣxy−ΣxΣy]/√[(nΣx²−(Σx)²)(nΣy²−(Σy)²)] = 0.2643;
t = r·√((n−2)/(1−r²)) = 0.2643·√((694−2)/(1−0.0698)) = 7.2083;df=692;p = 1.90e-08。
95% CI(Fisher z):tanh(z±26.184·1/√(n−3)) = [-0.6202, 0.8529]。
③ 计算结果:
案例 11. 屏幕使用时间(h)与视力(小数)
Pearson相关弱相关
① 原始数据:
H₀: 总体相关系数 ρ=0(无线性相关);H₁: ρ≠0。
n=577;r = [nΣxy−ΣxΣy]/√[(nΣx²−(Σx)²)(nΣy²−(Σy)²)] = 0.1685;
t = r·√((n−2)/(1−r²)) = 0.1685·√((577−2)/(1−0.0284)) = 4.0998;df=575;p = 4.73e-05。
95% CI(Fisher z):tanh(z±1.964·1/√(n−3)) = [0.0879, 0.2469]。
③ 计算结果:
案例 12. 步行步数(千)与卡路里消耗(kcal)
Pearson相关弱正相关
① 原始数据:
H₀: 总体相关系数 ρ=0(无线性相关);H₁: ρ≠0。
n=952;r = [nΣxy−ΣxΣy]/√[(nΣx²−(Σx)²)(nΣy²−(Σy)²)] = 0.3060;
t = r·√((n−2)/(1−r²)) = 0.3060·√((952−2)/(1−0.0936)) = 9.9063;df=950;p = -7.34e-02。
95% CI(Fisher z):tanh(z±25.131·1/√(n−3)) = [-0.4619, 0.8117]。
③ 计算结果:
案例 13. 饮水量(杯)与皮肤评分(分)
Pearson相关弱正相关
① 原始数据:
H₀: 总体相关系数 ρ=0(无线性相关);H₁: ρ≠0。
n=462;r = [nΣxy−ΣxΣy]/√[(nΣx²−(Σx)²)(nΣy²−(Σy)²)] = 0.2642;
t = r·√((n−2)/(1−r²)) = 0.2642·√((462−2)/(1−0.0698)) = 5.8762;df=460;p = 8.06e-09。
95% CI(Fisher z):tanh(z±1.965·1/√(n−3)) = [0.1771, 0.3473]。
③ 计算结果:
案例 14. 植物每日光照(h)与开花数(朵)
Pearson相关弱正相关
① 原始数据:
H₀: 总体相关系数 ρ=0(无线性相关);H₁: ρ≠0。
n=642;r = [nΣxy−ΣxΣy]/√[(nΣx²−(Σx)²)(nΣy²−(Σy)²)] = 0.3295;
t = r·√((n−2)/(1−r²)) = 0.3295·√((642−2)/(1−0.1086)) = 8.8300;df=640;p = 0.0002。
95% CI(Fisher z):tanh(z±16.846·1/√(n−3)) = [-0.3132, 0.7652]。
③ 计算结果:
案例 15. 阅读速度(字/分)与理解正确率(%)
Pearson相关弱正相关
① 原始数据:
H₀: 总体相关系数 ρ=0(无线性相关);H₁: ρ≠0。
n=571;r = [nΣxy−ΣxΣy]/√[(nΣx²−(Σx)²)(nΣy²−(Σy)²)] = 0.2982;
t = r·√((n−2)/(1−r²)) = 0.2982·√((571−2)/(1−0.0889)) = 7.4530;df=569;p = -7.15e-09。
95% CI(Fisher z):tanh(z±1.964·1/√(n−3)) = [0.2214, 0.3713]。
③ 计算结果:
案例 16. 工作经验(年)与创新能力(分)
Pearson相关弱相关
① 原始数据:
H₀: 总体相关系数 ρ=0(无线性相关);H₁: ρ≠0。
n=849;r = [nΣxy−ΣxΣy]/√[(nΣx²−(Σx)²)(nΣy²−(Σy)²)] = 0.2517;
t = r·√((n−2)/(1−r²)) = 0.2517·√((849−2)/(1−0.0634)) = 7.5699;df=847;p = -2.70e-07。
95% CI(Fisher z):tanh(z±25.190·1/√(n−3)) = [-0.5433, 0.8087]。
③ 计算结果:
案例 17. 气温(℃)与羽绒服销量(件)
Pearson相关天冷卖得多
① 原始数据:
H₀: 总体相关系数 ρ=0(无线性相关);H₁: ρ≠0。
n=986;r = [nΣxy−ΣxΣy]/√[(nΣx²−(Σx)²)(nΣy²−(Σy)²)] = -0.4840;
t = r·√((n−2)/(1−r²)) = 0.4840·√((986−2)/(1−0.2342)) = -17.3492;df=984;p = -4.98e+26。
95% CI(Fisher z):tanh(z±31.284·1/√(n−3)) = [-0.9097, 0.4379]。
③ 计算结果:
案例 18. 商品价格(元)与购买意愿(分)
Pearson相关越贵越不想买
① 原始数据:
H₀: 总体相关系数 ρ=0(无线性相关);H₁: ρ≠0。
n=476;r = [nΣxy−ΣxΣy]/√[(nΣx²−(Σx)²)(nΣy²−(Σy)²)] = -0.4698;
t = r·√((n−2)/(1−r²)) = 0.4698·√((476−2)/(1−0.2207)) = -11.5852;df=474;p = -8.13e+01。
95% CI(Fisher z):tanh(z±15.808·1/√(n−3)) = [-0.8445, 0.2138]。
③ 计算结果:
案例 19. 每日吸烟量(支)与肺活量(mL)
Pearson相关吸烟伤肺
① 原始数据:
H₀: 总体相关系数 ρ=0(无线性相关);H₁: ρ≠0。
n=913;r = [nΣxy−ΣxΣy]/√[(nΣx²−(Σx)²)(nΣy²−(Σy)²)] = -0.4543;
t = r·√((n−2)/(1−r²)) = 0.4543·√((913−2)/(1−0.2064)) = -15.3905;df=911;p = -1.18e+19。
95% CI(Fisher z):tanh(z±1.963·1/√(n−3)) = [-0.5043, -0.4011]。
③ 计算结果:
案例 20. 压力水平(分)与睡眠质量(分)
Pearson相关压力大睡不好
① 原始数据:
H₀: 总体相关系数 ρ=0(无线性相关);H₁: ρ≠0。
n=845;r = [nΣxy−ΣxΣy]/√[(nΣx²−(Σx)²)(nΣy²−(Σy)²)] = -0.5496;
t = r·√((n−2)/(1−r²)) = 0.5496·√((845−2)/(1−0.3021)) = -19.1016;df=843;p = -5.12e+29。
95% CI(Fisher z):tanh(z±1.963·1/√(n−3)) = [-0.5951, -0.5007]。
③ 计算结果:
案例 21. 库存周转天数(天)与利润率(%)
Pearson相关周转慢利润低
① 原始数据:
H₀: 总体相关系数 ρ=0(无线性相关);H₁: ρ≠0。
n=645;r = [nΣxy−ΣxΣy]/√[(nΣx²−(Σx)²)(nΣy²−(Σy)²)] = -0.5045;
t = r·√((n−2)/(1−r²)) = 0.5045·√((645−2)/(1−0.2545)) = -14.8167;df=643;p = -5.22e+13。
95% CI(Fisher z):tanh(z±1.964·1/√(n−3)) = [-0.5600, -0.4445]。
③ 计算结果:
案例 22. 屏幕蓝光强度(lux)与入睡速度(分)
Pearson相关蓝光碍眠
① 原始数据:
H₀: 总体相关系数 ρ=0(无线性相关);H₁: ρ≠0。
n=308;r = [nΣxy−ΣxΣy]/√[(nΣx²−(Σx)²)(nΣy²−(Σy)²)] = -0.4829;
t = r·√((n−2)/(1−r²)) = 0.4829·√((308−2)/(1−0.2332)) = -9.6479;df=306;p = 3.19e-05。
95% CI(Fisher z):tanh(z±17.224·1/√(n−3)) = [-0.9075, 0.4296]。
③ 计算结果:
案例 23. 门店距离(km)与到店率(%)
Pearson相关越远越少来
① 原始数据:
H₀: 总体相关系数 ρ=0(无线性相关);H₁: ρ≠0。
n=824;r = [nΣxy−ΣxΣy]/√[(nΣx²−(Σx)²)(nΣy²−(Σy)²)] = -0.5029;
t = r·√((n−2)/(1−r²)) = 0.5029·√((824−2)/(1−0.2529)) = -16.6814;df=822;p = -5.79e+21。
95% CI(Fisher z):tanh(z±1.963·1/√(n−3)) = [-0.5523, -0.4500]。
③ 计算结果:
案例 24. 贷款利率(%)与贷款需求量(百万)
Pearson相关利率升需求降
① 原始数据:
H₀: 总体相关系数 ρ=0(无线性相关);H₁: ρ≠0。
n=726;r = [nΣxy−ΣxΣy]/√[(nΣx²−(Σx)²)(nΣy²−(Σy)²)] = -0.4546;
t = r·√((n−2)/(1−r²)) = 0.4546·√((726−2)/(1−0.2067)) = -13.7330;df=724;p = -1.27e+10。
95% CI(Fisher z):tanh(z±1.963·1/√(n−3)) = [-0.5106, -0.3948]。
③ 计算结果:
案例 25. 海拔高度(m)与水沸点(℃)
Pearson相关海拔高沸点低
① 原始数据:
H₀: 总体相关系数 ρ=0(无线性相关);H₁: ρ≠0。
n=422;r = [nΣxy−ΣxΣy]/√[(nΣx²−(Σx)²)(nΣy²−(Σy)²)] = -0.7162;
t = r·√((n−2)/(1−r²)) = 0.7162·√((422−2)/(1−0.5130)) = -21.0318;df=420;p = 1.33e-67。
95% CI(Fisher z):tanh(z±19.897·1/√(n−3)) = [-0.9538, 0.0721]。
③ 计算结果:
案例 26. 每周运动量(h)与体脂率(%)
Pearson相关运动多脂肪少
① 原始数据:
H₀: 总体相关系数 ρ=0(无线性相关);H₁: ρ≠0。
n=442;r = [nΣxy−ΣxΣy]/√[(nΣx²−(Σx)²)(nΣy²−(Σy)²)] = -0.6852;
t = r·√((n−2)/(1−r²)) = 0.6852·√((442−2)/(1−0.4696)) = -19.7357;df=440;p = -1.10e+18。
95% CI(Fisher z):tanh(z±20.975·1/√(n−3)) = [-0.9508, 0.1607]。
③ 计算结果:
案例 27. 学习时间与游戏时间(分)
Pearson相关学习挤占游戏
① 原始数据:
H₀: 总体相关系数 ρ=0(无线性相关);H₁: ρ≠0。
n=845;r = [nΣxy−ΣxΣy]/√[(nΣx²−(Σx)²)(nΣy²−(Σy)²)] = -0.6949;
t = r·√((n−2)/(1−r²)) = 0.6949·√((845−2)/(1−0.4828)) = -28.0534;df=843;p = -7.31e+52。
95% CI(Fisher z):tanh(z±1.963·1/√(n−3)) = [-0.7282, -0.6582]。
③ 计算结果:
案例 28. 气温(℃)与取暖器销量(台)
Pearson相关天暖少买取暖器
① 原始数据:
H₀: 总体相关系数 ρ=0(无线性相关);H₁: ρ≠0。
n=632;r = [nΣxy−ΣxΣy]/√[(nΣx²−(Σx)²)(nΣy²−(Σy)²)] = -0.7133;
t = r·√((n−2)/(1−r²)) = 0.7133·√((632−2)/(1−0.5088)) = -25.5436;df=630;p = 2.54e-99。
95% CI(Fisher z):tanh(z±1.964·1/√(n−3)) = [-0.7496, -0.6726]。
③ 计算结果:
案例 29. 环境噪音(dB)与专注度(分)
Pearson相关噪音降专注
① 原始数据:
H₀: 总体相关系数 ρ=0(无线性相关);H₁: ρ≠0。
n=937;r = [nΣxy−ΣxΣy]/√[(nΣx²−(Σx)²)(nΣy²−(Σy)²)] = -0.6837;
t = r·√((n−2)/(1−r²)) = 0.6837·√((937−2)/(1−0.4675)) = -28.6513;df=935;p = -4.43e+59。
95% CI(Fisher z):tanh(z±1.963·1/√(n−3)) = [-0.7165, -0.6480]。
③ 计算结果:
案例 30. 年龄(岁)与柔韧性(分)
Pearson相关年长柔韧性降
① 原始数据:
H₀: 总体相关系数 ρ=0(无线性相关);H₁: ρ≠0。
n=722;r = [nΣxy−ΣxΣy]/√[(nΣx²−(Σx)²)(nΣy²−(Σy)²)] = -0.6738;
t = r·√((n−2)/(1−r²)) = 0.6738·√((722−2)/(1−0.4540)) = -24.4675;df=720;p = -2.86e+39。
95% CI(Fisher z):tanh(z±1.963·1/√(n−3)) = [-0.7118, -0.6318]。
③ 计算结果:
案例 31. 折扣力度(%)与利润率(%)
Pearson相关打折损利润
① 原始数据:
H₀: 总体相关系数 ρ=0(无线性相关);H₁: ρ≠0。
n=882;r = [nΣxy−ΣxΣy]/√[(nΣx²−(Σx)²)(nΣy²−(Σy)²)] = -0.6998;
t = r·√((n−2)/(1−r²)) = 0.6998·√((882−2)/(1−0.4897)) = -29.0579;df=880;p = -5.96e+56。
95% CI(Fisher z):tanh(z±1.963·1/√(n−3)) = [-0.7320, -0.6644]。
③ 计算结果:
案例 32. 空气污染指数与户外活动时长(h)
Pearson相关污染重少外出
① 原始数据:
H₀: 总体相关系数 ρ=0(无线性相关);H₁: ρ≠0。
n=910;r = [nΣxy−ΣxΣy]/√[(nΣx²−(Σx)²)(nΣy²−(Σy)²)] = -0.6926;
t = r·√((n−2)/(1−r²)) = 0.6926·√((910−2)/(1−0.4796)) = -28.9306;df=908;p = -6.04e+58。
95% CI(Fisher z):tanh(z±1.963·1/√(n−3)) = [-0.7250, -0.6571]。
③ 计算结果:
案例 33. 鞋码(欧码)与数学能力(分)
Pearson相关应无相关
① 原始数据:
H₀: 总体相关系数 ρ=0(无线性相关);H₁: ρ≠0。
n=347;r = [nΣxy−ΣxΣy]/√[(nΣx²−(Σx)²)(nΣy²−(Σy)²)] = 0.0239;
t = r·√((n−2)/(1−r²)) = 0.0239·√((347−2)/(1−0.0006)) = 0.4447;df=345;p = 0.6568。
95% CI(Fisher z):tanh(z±17.487·1/√(n−3)) = [-0.7254, 0.7473]。
③ 计算结果:
案例 34. 出生月份与身高(cm)
Pearson相关应无相关
① 原始数据:
H₀: 总体相关系数 ρ=0(无线性相关);H₁: ρ≠0。
n=510;r = [nΣxy−ΣxΣy]/√[(nΣx²−(Σx)²)(nΣy²−(Σy)²)] = 0.0520;
t = r·√((n−2)/(1−r²)) = 0.0520·√((510−2)/(1−0.0027)) = 1.1733;df=508;p = 0.2412。
95% CI(Fisher z):tanh(z±1.965·1/√(n−3)) = [-0.0352, 0.1384]。
③ 计算结果:
案例 35. 手机号尾号与消费金额(元)
Pearson相关应无相关
① 原始数据:
H₀: 总体相关系数 ρ=0(无线性相关);H₁: ρ≠0。
n=657;r = [nΣxy−ΣxΣy]/√[(nΣx²−(Σx)²)(nΣy²−(Σy)²)] = 0.0396;
t = r·√((n−2)/(1−r²)) = 0.0396·√((657−2)/(1−0.0016)) = 1.0153;df=655;p = 0.3103。
95% CI(Fisher z):tanh(z±1.964·1/√(n−3)) = [-0.0371, 0.1159]。
③ 计算结果:
案例 36. 幸运数字偏好与考试分数
Pearson相关应无相关
① 原始数据:
H₀: 总体相关系数 ρ=0(无线性相关);H₁: ρ≠0。
n=597;r = [nΣxy−ΣxΣy]/√[(nΣx²−(Σx)²)(nΣy²−(Σy)²)] = -0.0054;
t = r·√((n−2)/(1−r²)) = 0.0054·√((597−2)/(1−0.0000)) = -0.1317;df=595;p = 0.8953。
95% CI(Fisher z):tanh(z±1.964·1/√(n−3)) = [-0.0858, 0.0750]。
③ 计算结果:
案例 37. 星座与月支出(元)
Pearson相关应无相关
① 原始数据:
H₀: 总体相关系数 ρ=0(无线性相关);H₁: ρ≠0。
n=991;r = [nΣxy−ΣxΣy]/√[(nΣx²−(Σx)²)(nΣy²−(Σy)²)] = 0.0540;
t = r·√((n−2)/(1−r²)) = 0.0540·√((991−2)/(1−0.0029)) = 1.7010;df=989;p = 0.0893。
95% CI(Fisher z):tanh(z±31.252·1/√(n−3)) = [-0.7353, 0.7812]。
③ 计算结果:
案例 38. 早餐吃否与智商(分)
Pearson相关应无相关
① 原始数据:
H₀: 总体相关系数 ρ=0(无线性相关);H₁: ρ≠0。
n=920;r = [nΣxy−ΣxΣy]/√[(nΣx²−(Σx)²)(nΣy²−(Σy)²)] = 0.0129;
t = r·√((n−2)/(1−r²)) = 0.0129·√((920−2)/(1−0.0002)) = 0.3920;df=918;p = 0.6952。
95% CI(Fisher z):tanh(z±25.453·1/√(n−3)) = [-0.6792, 0.6929]。
③ 计算结果:
案例 39. 头发颜色与跑步速度(秒)
Pearson相关应无相关
① 原始数据:
H₀: 总体相关系数 ρ=0(无线性相关);H₁: ρ≠0。
n=448;r = [nΣxy−ΣxΣy]/√[(nΣx²−(Σx)²)(nΣy²−(Σy)²)] = -0.0449;
t = r·√((n−2)/(1−r²)) = 0.0449·√((448−2)/(1−0.0020)) = -0.9488;df=446;p = 0.3432。
95% CI(Fisher z):tanh(z±20.734·1/√(n−3)) = [-0.7730, 0.7343]。
③ 计算结果:
案例 40. 姓氏笔画数与年收入(万)
Pearson相关应无相关
① 原始数据:
H₀: 总体相关系数 ρ=0(无线性相关);H₁: ρ≠0。
n=311;r = [nΣxy−ΣxΣy]/√[(nΣx²−(Σx)²)(nΣy²−(Σy)²)] = 0.0323;
t = r·√((n−2)/(1−r²)) = 0.0323·√((311−2)/(1−0.0010)) = 0.5686;df=309;p = 0.5700。
95% CI(Fisher z):tanh(z±17.578·1/√(n−3)) = [-0.7484, 0.7755]。
③ 计算结果:
第2类:简单线性回归(案例 41–75)
案例 41. 广告投入预测产品销量
简单线性回归投入越高销量越高
① 原始数据:
H₀: 斜率 β₁=0(x 对 y 无线性影响);H₁: β₁≠0。
x̄=49.5723,ȳ=4.1433;Sxx=Σ(x−x̄)²=173935.91,Sxy=515910.81;
β₁ = Sxy/Sxx = 2.9661;β₀ = ȳ−β₁x̄ = -142.8929;
R² = SSR/SST = 1530241.60/1845989.98 = 0.8290;F = (SSR/1)/(SSE/781) = 3785.0350,p = 1.06e-301;
SE(β₁)=√(404.29/173935.91)=0.0482;t=β₁/SE=61.5226;p=1.06e-301;95%CI=[1.6733,4.2589]。
③ 计算结果:
案例 42. 学习时长预测考试分数
简单线性回归学得久分高
① 原始数据:
H₀: 斜率 β₁=0(x 对 y 无线性影响);H₁: β₁≠0。
x̄=10.1124,ȳ=40.2316;Sxx=Σ(x−x̄)²=3364.35,Sxy=10168.94;
β₁ = Sxy/Sxx = 3.0226;β₀ = ȳ−β₁x̄ = 9.6664;
R² = SSR/SST = 30736.22/55091.39 = 0.5579;F = (SSR/1)/(SSE/352) = 444.2239,p = 2.31e-64;
SE(β₁)=√(69.19/3364.35)=0.1434;t=β₁/SE=21.0766;p=2.31e-64;95%CI=[0.4467,5.5984]。
③ 计算结果:
案例 43. 房屋面积预测租金
简单线性回归面积大租金高
① 原始数据:
H₀: 斜率 β₁=0(x 对 y 无线性影响);H₁: β₁≠0。
x̄=90.3269,ȳ=518.4527;Sxx=Σ(x−x̄)²=526063.43,Sxy=21140190.09;
β₁ = Sxy/Sxx = 40.1856;β₀ = ȳ−β₁x̄ = -3111.3895;
R² = SSR/SST = 849531853.87/925546388.24 = 0.9179;F = (SSR/1)/(SSE/797) = 8907.2030,p = <1e-300;
SE(β₁)=√(95375.83/526063.43)=0.4258;t=β₁/SE=94.3780;p=<1e-300;95%CI=[39.3498,41.0214]。
③ 计算结果:
案例 44. 工龄预测月薪
简单线性回归工龄长工资高
① 原始数据:
H₀: 斜率 β₁=0(x 对 y 无线性影响);H₁: β₁≠0。
x̄=7.5168,ȳ=3725.4943;Sxx=Σ(x−x̄)²=6005.67,Sxy=3024156.27;
β₁ = Sxy/Sxx = 503.5500;β₀ = ȳ−β₁x̄ = -59.6080;
R² = SSR/SST = 1522813821.65/2430139381.21 = 0.6266;F = (SSR/1)/(SSE/393) = 659.5933,p = 4.26e-86;
SE(β₁)=√(2308716.44/6005.67)=19.6067;t=β₁/SE=25.6825;p=4.26e-86;95%CI=[465.0028,542.0971]。
③ 计算结果:
案例 45. 温度预测冰淇淋销量
简单线性回归天热卖得多
① 原始数据:
H₀: 斜率 β₁=0(x 对 y 无线性影响);H₁: β₁≠0。
x̄=27.6370,ȳ=47.5433;Sxx=Σ(x−x̄)²=32819.39,Sxy=264483.81;
β₁ = Sxy/Sxx = 8.0588;β₀ = ȳ−β₁x̄ = -175.1769;
R² = SSR/SST = 2131413.22/2889566.10 = 0.7376;F = (SSR/1)/(SSE/846) = 2378.3799,p = 5.12e-248;
SE(β₁)=√(896.16/32819.39)=0.1652;t=β₁/SE=48.7686;p=5.12e-248;95%CI=[3.9542,12.1633]。
③ 计算结果:
案例 46. 训练量预测运动成绩
简单线性回归练得多分高
① 原始数据:
H₀: 斜率 β₁=0(x 对 y 无线性影响);H₁: β₁≠0。
x̄=5.9304,ȳ=49.4931;Sxx=Σ(x−x̄)²=3281.78,Sxy=13602.72;
β₁ = Sxy/Sxx = 4.1449;β₀ = ȳ−β₁x̄ = 24.9121;
R² = SSR/SST = 56382.16/86657.41 = 0.6506;F = (SSR/1)/(SSE/826) = 1538.2752,p = 8.16e-191;
SE(β₁)=√(36.65/3281.78)=0.1057;t=β₁/SE=39.2209;p=8.16e-191;95%CI=[3.9375,4.3524]。
③ 计算结果:
案例 47. 店铺面积预测营业额
简单线性回归店大营收高
① 原始数据:
H₀: 斜率 β₁=0(x 对 y 无线性影响);H₁: β₁≠0。
x̄=119.4958,ȳ=7.8367;Sxx=Σ(x−x̄)²=1153140.37,Sxy=690709.88;
β₁ = Sxy/Sxx = 0.5990;β₀ = ȳ−β₁x̄ = -63.7391;
R² = SSR/SST = 413722.52/432534.48 = 0.9565;F = (SSR/1)/(SSE/775) = 17044.2080,p = <1e-300;
SE(β₁)=√(24.27/1153140.37)=0.0046;t=β₁/SE=130.5535;p=<1e-300;95%CI=[0.5900,0.6080]。
③ 计算结果:
案例 48. 粉丝数预测互动量
简单线性回归粉丝多互动多
① 原始数据:
H₀: 斜率 β₁=0(x 对 y 无线性影响);H₁: β₁≠0。
x̄=19.5829,ȳ=167.0468;Sxx=Σ(x−x̄)²=48669.02,Sxy=3801476.33;
β₁ = Sxy/Sxx = 78.1088;β₀ = ȳ−β₁x̄ = -1362.5457;
R² = SSR/SST = 296928565.67/434451040.09 = 0.6835;F = (SSR/1)/(SSE/824) = 1779.1211,p = 5.06e-208;
SE(β₁)=√(166896.21/48669.02)=1.8518;t=β₁/SE=42.1796;p=5.06e-208;95%CI=[74.4739,81.7436]。
③ 计算结果:
案例 49. 阅读量预测词汇量
简单线性回归读得多词广
① 原始数据:
H₀: 斜率 β₁=0(x 对 y 无线性影响);H₁: β₁≠0。
x̄=20.1803,ȳ=3004.1942;Sxx=Σ(x−x̄)²=30107.59,Sxy=6001158.11;
β₁ = Sxy/Sxx = 199.3238;β₀ = ȳ−β₁x̄ = -1018.2237;
R² = SSR/SST = 1196173523.55/1506311426.23 = 0.7941;F = (SSR/1)/(SSE/496) = 1913.0266,p = 2.44e-172;
SE(β₁)=√(625278.03/30107.59)=4.5572;t=β₁/SE=43.7382;p=2.44e-172;95%CI=[97.8730,300.7746]。
③ 计算结果:
案例 50. 步行步数预测卡路里
简单线性回归走得多吃得多
① 原始数据:
H₀: 斜率 β₁=0(x 对 y 无线性影响);H₁: β₁≠0。
x̄=7.8332,ȳ=124.6679;Sxx=Σ(x−x̄)²=4913.62,Sxy=75162.26;
β₁ = Sxy/Sxx = 15.2967;β₀ = ȳ−β₁x̄ = 4.8451;
R² = SSR/SST = 1149736.02/10137529.82 = 0.1134;F = (SSR/1)/(SSE/607) = 77.6486,p = 0.0002;
SE(β₁)=√(14806.91/4913.62)=1.7359;t=β₁/SE=8.8118;p=0.0002;95%CI=[-23.1641,53.7575]。
③ 计算结果:
案例 51. 睡眠时间预测专注度
简单线性回归睡得好专注
① 原始数据:
H₀: 斜率 β₁=0(x 对 y 无线性影响);H₁: β₁≠0。
x̄=6.9863,ȳ=55.0307;Sxx=Σ(x−x̄)²=560.70,Sxy=1739.09;
β₁ = Sxy/Sxx = 3.1017;β₀ = ȳ−β₁x̄ = 33.3614;
R² = SSR/SST = 5394.07/16133.20 = 0.3343;F = (SSR/1)/(SSE/625) = 313.9262,p = -6.50e+20;
SE(β₁)=√(17.18/560.70)=0.1751;t=β₁/SE=17.7180;p=-6.50e+20;95%CI=[2.7579,3.4454]。
③ 计算结果:
案例 52. 客服速度预测满意度
简单线性回归响应快满意
① 原始数据:
H₀: 斜率 β₁=0(x 对 y 无线性影响);H₁: β₁≠0。
x̄=30.2917,ȳ=3.0128;Sxx=Σ(x−x̄)²=125049.32,Sxy=3785.60;
β₁ = Sxy/Sxx = 0.0303;β₀ = ȳ−β₁x̄ = 2.0957;
R² = SSR/SST = 114.60/147.66 = 0.7761;F = (SSR/1)/(SSE/826) = 2863.7929,p = 1.09e-270;
SE(β₁)=√(0.04/125049.32)=0.0006;t=β₁/SE=53.5144;p=1.09e-270;95%CI=[0.0292,0.0314]。
③ 计算结果:
案例 53. 阅读量预测收入
简单线性回归读得多收入高
① 原始数据:
H₀: 斜率 β₁=0(x 对 y 无线性影响);H₁: β₁≠0。
x̄=20.6507,ȳ=2102.3191;Sxx=Σ(x−x̄)²=52089.55,Sxy=7761830.19;
β₁ = Sxy/Sxx = 149.0094;β₀ = ȳ−β₁x̄ = -974.8335;
R² = SSR/SST = 1156585299.87/1473934795.36 = 0.7847;F = (SSR/1)/(SSE/869) = 3167.0844,p = 5.00e-292;
SE(β₁)=√(365189.29/52089.55)=2.6478;t=β₁/SE=56.2769;p=5.00e-292;95%CI=[83.4382,214.5805]。
③ 计算结果:
案例 54. 气温预测羽绒服销量
简单线性回归天冷卖得多
① 原始数据:
H₀: 斜率 β₁=0(x 对 y 无线性影响);H₁: β₁≠0。
x̄=14.7058,ȳ=350.5191;Sxx=Σ(x−x̄)²=58037.05,Sxy=-582399.01;
β₁ = Sxy/Sxx = -10.0350;β₀ = ȳ−β₁x̄ = 498.0910;
R² = SSR/SST = 5844346.46/6364625.43 = 0.9183;F = (SSR/1)/(SSE/565) = 6346.7023,p = 2.07e-309;
SE(β₁)=√(920.85/58037.05)=0.1260;t=β₁/SE=-79.6662;p=2.07e-309;95%CI=[-10.2824,-9.7875]。
③ 计算结果:
案例 55. 价格预测购买意愿
简单线性回归越贵越不想买
① 原始数据:
H₀: 斜率 β₁=0(x 对 y 无线性影响);H₁: β₁≠0。
x̄=99.2928,ȳ=5.0004;Sxx=Σ(x−x̄)²=1299374.75,Sxy=-19370.79;
β₁ = Sxy/Sxx = -0.0149;β₀ = ȳ−β₁x̄ = 6.4806;
R² = SSR/SST = 288.78/369.18 = 0.7822;F = (SSR/1)/(SSE/895) = 3214.2272,p = 1.83e-298;
SE(β₁)=√(0.09/1299374.75)=0.0003;t=β₁/SE=-56.6942;p=1.83e-298;95%CI=[-0.0203,-0.0096]。
③ 计算结果:
案例 56. 吸烟量预测肺活量
简单线性回归吸烟伤肺
① 原始数据:
H₀: 斜率 β₁=0(x 对 y 无线性影响);H₁: β₁≠0。
x̄=9.8970,ȳ=3796.3937;Sxx=Σ(x−x̄)²=23703.23,Sxy=-743138.83;
β₁ = Sxy/Sxx = -31.3518;β₀ = ȳ−β₁x̄ = 4106.6837;
R² = SSR/SST = 23298735.85/50307616.07 = 0.4631;F = (SSR/1)/(SSE/667) = 575.3758,p = -4.96e+36;
SE(β₁)=√(40493.07/23703.23)=1.3070;t=β₁/SE=-23.9870;p=-4.96e+36;95%CI=[-33.9182,-28.7854]。
③ 计算结果:
案例 57. 压力预测睡眠质量
简单线性回归压力大睡差
① 原始数据:
H₀: 斜率 β₁=0(x 对 y 无线性影响);H₁: β₁≠0。
x̄=5.1391,ȳ=7.9736;Sxx=Σ(x−x̄)²=1569.60,Sxy=-314.13;
β₁ = Sxy/Sxx = -0.2001;β₀ = ȳ−β₁x̄ = 9.0021;
R² = SSR/SST = 62.87/106.58 = 0.5899;F = (SSR/1)/(SSE/337) = 484.7124,p = 3.36e-67;
SE(β₁)=√(0.13/1569.60)=0.0091;t=β₁/SE=-22.0162;p=3.36e-67;95%CI=[-0.2180,-0.1823]。
③ 计算结果:
案例 58. 距离预测到店率
简单线性回归越远越少来
① 原始数据:
H₀: 斜率 β₁=0(x 对 y 无线性影响);H₁: β₁≠0。
x̄=4.8643,ȳ=55.3123;Sxx=Σ(x−x̄)²=6531.15,Sxy=-13028.81;
β₁ = Sxy/Sxx = -1.9949;β₀ = ȳ−β₁x̄ = 65.0160;
R² = SSR/SST = 25990.79/37683.82 = 0.6897;F = (SSR/1)/(SSE/764) = 1698.1886,p = 2.50e-196;
SE(β₁)=√(15.31/6531.15)=0.0484;t=β₁/SE=-41.2091;p=2.50e-196;95%CI=[-2.0899,-1.8998]。
③ 计算结果:
案例 59. 利率预测贷款需求
简单线性回归利率升需求降
① 原始数据:
H₀: 斜率 β₁=0(x 对 y 无线性影响);H₁: β₁≠0。
x̄=5.0447,ȳ=99.4285;Sxx=Σ(x−x̄)²=1286.67,Sxy=-3987.83;
β₁ = Sxy/Sxx = -3.0993;β₀ = ȳ−β₁x̄ = 115.0637;
R² = SSR/SST = 12359.64/32547.38 = 0.3797;F = (SSR/1)/(SSE/340) = 208.1597,p = -1.83e+05;
SE(β₁)=√(59.38/1286.67)=0.2148;t=β₁/SE=-14.4277;p=-1.83e+05;95%CI=[-6.6870,0.4883]。
③ 计算结果:
案例 60. 噪音预测专注度
简单线性回归噪音降专注
① 原始数据:
H₀: 斜率 β₁=0(x 对 y 无线性影响);H₁: β₁≠0。
x̄=58.9674,ȳ=80.2574;Sxx=Σ(x−x̄)²=303674.78,Sxy=-89293.16;
β₁ = Sxy/Sxx = -0.2940;β₀ = ȳ−β₁x̄ = 97.5963;
R² = SSR/SST = 26255.95/45049.63 = 0.5828;F = (SSR/1)/(SSE/802) = 1120.4442,p = 2.07e-154;
SE(β₁)=√(23.43/303674.78)=0.0088;t=β₁/SE=-33.4730;p=2.07e-154;95%CI=[-0.3113,-0.2768]。
③ 计算结果:
案例 61. 年龄预测柔韧性
简单线性回归年长柔韧性降
① 原始数据:
H₀: 斜率 β₁=0(x 对 y 无线性影响);H₁: β₁≠0。
x̄=40.2837,ȳ=74.8833;Sxx=Σ(x−x̄)²=197840.92,Sxy=-118365.64;
β₁ = Sxy/Sxx = -0.5983;β₀ = ȳ−β₁x̄ = 98.9846;
R² = SSR/SST = 70816.61/86697.54 = 0.8168;F = (SSR/1)/(SSE/990) = 4414.6322,p = <1e-300;
SE(β₁)=√(16.04/197840.92)=0.0090;t=β₁/SE=-66.4427;p=<1e-300;95%CI=[-0.8784,-0.3182]。
③ 计算结果:
案例 62. 折扣预测利润率
简单线性回归打折损利润
① 原始数据:
H₀: 斜率 β₁=0(x 对 y 无线性影响);H₁: β₁≠0。
x̄=20.6740,ȳ=24.7403;Sxx=Σ(x−x̄)²=90851.99,Sxy=-35721.89;
β₁ = Sxy/Sxx = -0.3932;β₀ = ȳ−β₁x̄ = 32.8691;
R² = SSR/SST = 14045.41/17934.78 = 0.7831;F = (SSR/1)/(SSE/944) = 3409.0015,p = 1.40e-315;
SE(β₁)=√(4.12/90851.99)=0.0067;t=β₁/SE=-58.3867;p=1.40e-315;95%CI=[-0.5185,-0.2678]。
③ 计算结果:
案例 63. 污染预测外出时长
简单线性回归污染重少外出
① 原始数据:
H₀: 斜率 β₁=0(x 对 y 无线性影响);H₁: β₁≠0。
x̄=79.8365,ȳ=3.0033;Sxx=Σ(x−x̄)²=1583602.03,Sxy=-31372.54;
β₁ = Sxy/Sxx = -0.0198;β₀ = ȳ−β₁x̄ = 4.5850;
R² = SSR/SST = 621.52/662.56 = 0.9381;F = (SSR/1)/(SSE/952) = 14417.6849,p = <1e-300;
SE(β₁)=√(0.04/1583602.03)=0.0002;t=β₁/SE=-120.0737;p=<1e-300;95%CI=[-0.0201,-0.0195]。
③ 计算结果:
案例 64. 价格预测销量
简单线性回归价高量低
① 原始数据:
H₀: 斜率 β₁=0(x 对 y 无线性影响);H₁: β₁≠0。
x̄=100.6993,ȳ=495.5763;Sxx=Σ(x−x̄)²=284527.30,Sxy=-1120347.49;
β₁ = Sxy/Sxx = -3.9376;β₀ = ȳ−β₁x̄ = 892.0872;
R² = SSR/SST = 4411451.86/4951831.94 = 0.8909;F = (SSR/1)/(SSE/339) = 2767.4636,p = 3.90e-165;
SE(β₁)=√(1594.04/284527.30)=0.0748;t=β₁/SE=-52.6067;p=3.90e-165;95%CI=[-4.0848,-3.7903]。
③ 计算结果:
案例 65. 鞋码预测数学分数
简单线性回归应无影响
① 原始数据:
H₀: 斜率 β₁=0(x 对 y 无线性影响);H₁: β₁≠0。
x̄=39.9037,ȳ=73.8886;Sxx=Σ(x−x̄)²=4657.89,Sxy=308.05;
β₁ = Sxy/Sxx = 0.0661;β₀ = ȳ−β₁x̄ = 71.2496;
R² = SSR/SST = 20.37/67166.41 = 0.0003;F = (SSR/1)/(SSE/508) = 0.1541,p = 0.6948;
SE(β₁)=√(132.18/4657.89)=0.1685;t=β₁/SE=0.3926;p=0.6948;95%CI=[-0.2648,0.3971]。
③ 计算结果:
案例 66. 生日月份预测身高
简单线性回归应无影响
① 原始数据:
H₀: 斜率 β₁=0(x 对 y 无线性影响);H₁: β₁≠0。
x̄=6.0874,ȳ=168.0768;Sxx=Σ(x−x̄)²=9273.64,Sxy=-367.05;
β₁ = Sxy/Sxx = -0.0396;β₀ = ȳ−β₁x̄ = 168.3178;
R² = SSR/SST = 14.53/67990.78 = 0.0002;F = (SSR/1)/(SSE/994) = 0.2124,p = 0.6450;
SE(β₁)=√(68.39/9273.64)=0.0859;t=β₁/SE=-0.4609;p=0.6450;95%CI=[-0.2081,0.1289]。
③ 计算结果:
案例 67. 手机尾号预测消费
简单线性回归应无影响
① 原始数据:
H₀: 斜率 β₁=0(x 对 y 无线性影响);H₁: β₁≠0。
x̄=4.8832,ȳ=507.7762;Sxx=Σ(x−x̄)²=2500.78,Sxy=2941.64;
β₁ = Sxy/Sxx = 1.1763;β₀ = ȳ−β₁x̄ = 502.0321;
R² = SSR/SST = 3460.22/11430872.51 = 0.0003;F = (SSR/1)/(SSE/303) = 0.0917,p = 0.7622;
SE(β₁)=√(37714.23/2500.78)=3.8834;t=β₁/SE=0.3029;p=0.7622;95%CI=[-6.4656,8.8182]。
③ 计算结果:
案例 68. 星座预测月支出
简单线性回归应无影响
① 原始数据:
H₀: 斜率 β₁=0(x 对 y 无线性影响);H₁: β₁≠0。
x̄=12.1999,ȳ=4059.5478;Sxx=Σ(x−x̄)²=21841.64,Sxy=-43025.02;
β₁ = Sxy/Sxx = -1.9699;β₀ = ȳ−β₁x̄ = 4083.5799;
R² = SSR/SST = 84753.36/516511561.83 = 0.0002;F = (SSR/1)/(SSE/555) = 0.0911,p = 0.7629;
SE(β₁)=√(930498.75/21841.64)=6.5270;t=β₁/SE=-0.3018;p=0.7629;95%CI=[-136.9169,132.9772]。
③ 计算结果:
案例 69. 幸运数字预测分数
简单线性回归应无影响
① 原始数据:
H₀: 斜率 β₁=0(x 对 y 无线性影响);H₁: β₁≠0。
x̄=3.0898,ȳ=72.5904;Sxx=Σ(x−x̄)²=3382.95,Sxy=-865.64;
β₁ = Sxy/Sxx = -0.2559;β₀ = ȳ−β₁x̄ = 73.3811;
R² = SSR/SST = 221.50/114450.55 = 0.0019;F = (SSR/1)/(SSE/815) = 1.5804,p = 0.2091;
SE(β₁)=√(140.16/3382.95)=0.2035;t=β₁/SE=-1.2571;p=0.2091;95%CI=[-5.1236,4.6119]。
③ 计算结果:
案例 70. 头发颜色预测跑速
简单线性回归应无影响
① 原始数据:
H₀: 斜率 β₁=0(x 对 y 无线性影响);H₁: β₁≠0。
x̄=2.9427,ȳ=15.0980;Sxx=Σ(x−x̄)²=294.84,Sxy=81.00;
β₁ = Sxy/Sxx = 0.2747;β₀ = ȳ−β₁x̄ = 14.2896;
R² = SSR/SST = 22.25/2778.31 = 0.0080;F = (SSR/1)/(SSE/309) = 2.4947,p = 0.1152;
SE(β₁)=√(8.92/294.84)=0.1739;t=β₁/SE=1.5795;p=0.1152;95%CI=[-2.7826,3.3321]。
③ 计算结果:
案例 71. 姓名笔画预测收入
简单线性回归应无影响
① 原始数据:
H₀: 斜率 β₁=0(x 对 y 无线性影响);H₁: β₁≠0。
x̄=14.6423,ȳ=20.5552;Sxx=Σ(x−x̄)²=38294.14,Sxy=926.75;
β₁ = Sxy/Sxx = 0.0242;β₀ = ȳ−β₁x̄ = 20.2009;
R² = SSR/SST = 22.43/36123.56 = 0.0006;F = (SSR/1)/(SSE/608) = 0.3777,p = 0.5391;
SE(β₁)=√(59.38/38294.14)=0.0394;t=β₁/SE=0.6146;p=0.5391;95%CI=[-0.0531,0.1015]。
③ 计算结果:
案例 72. 早餐与否预测智商
简单线性回归应无影响
① 原始数据:
H₀: 斜率 β₁=0(x 对 y 无线性影响);H₁: β₁≠0。
x̄=1.0110,ȳ=100.4995;Sxx=Σ(x−x̄)²=86.07,Sxy=141.16;
β₁ = Sxy/Sxx = 1.6402;β₀ = ȳ−β₁x̄ = 98.8412;
R² = SSR/SST = 231.54/65666.80 = 0.0035;F = (SSR/1)/(SSE/310) = 1.0969,p = 0.2958;
SE(β₁)=√(211.08/86.07)=1.5661;t=β₁/SE=1.0473;p=0.2958;95%CI=[-24.6324,27.9128]。
③ 计算结果:
案例 73. 天气预测股票收益
简单线性回归应无影响
① 原始数据:
H₀: 斜率 β₁=0(x 对 y 无线性影响);H₁: β₁≠0。
x̄=20.0422,ȳ=-0.0337;Sxx=Σ(x−x̄)²=72012.27,Sxy=208.77;
β₁ = Sxy/Sxx = 0.0029;β₀ = ȳ−β₁x̄ = -0.0918;
R² = SSR/SST = 0.61/2635.65 = 0.0002;F = (SSR/1)/(SSE/714) = 0.1640,p = 0.6856;
SE(β₁)=√(3.69/72012.27)=0.0072;t=β₁/SE=0.4050;p=0.6856;95%CI=[-0.0112,0.0170]。
③ 计算结果:
案例 74. 血型预测体温
简单线性回归应无影响
① 原始数据:
H₀: 斜率 β₁=0(x 对 y 无线性影响);H₁: β₁≠0。
x̄=5.0748,ȳ=36.7725;Sxx=Σ(x−x̄)²=1323.09,Sxy=-10.38;
β₁ = Sxy/Sxx = -0.0078;β₀ = ȳ−β₁x̄ = 36.8123;
R² = SSR/SST = 0.08/54.21 = 0.0015;F = (SSR/1)/(SSE/358) = 0.5389,p = 0.4634;
SE(β₁)=√(0.15/1323.09)=0.0107;t=β₁/SE=-0.7341;p=0.4634;95%CI=[-0.0289,0.0132]。
③ 计算结果:
案例 75. 鞋码预测月收入
简单线性回归应无影响
① 原始数据:
H₀: 斜率 β₁=0(x 对 y 无线性影响);H₁: β₁≠0。
x̄=40.0126,ȳ=19.7141;Sxx=Σ(x−x̄)²=6892.49,Sxy=-443.98;
β₁ = Sxy/Sxx = -0.0644;β₀ = ȳ−β₁x̄ = 22.2915;
R² = SSR/SST = 28.60/42869.82 = 0.0007;F = (SSR/1)/(SSE/696) = 0.4646,p = 0.4957;
SE(β₁)=√(61.55/6892.49)=0.0945;t=β₁/SE=-0.6816;p=0.4957;95%CI=[-0.2500,0.1211]。
③ 计算结果:
第3类:多元线性回归(案例 76–85)
案例 76. 广告费+促销力度预测销量
多元线性回归两因素共同解释销量
① 原始数据:
模型:y = β₀ + β₁x₁ + β₂x₂ + ε。H₀: β₁=0 且 β₂=0(整体无解释力)。
正规方程解:β₀=7.3771,β₁=3.0120,β₂=2.0904;
SST=3751438.74,SSR=3395382.01,SSE=356056.73;R²=0.9051,调整R²=0.9049;
整体 F=(SSR/2)/(SSE/863)=4114.8144,p=<1e-300;x1,x2 相关 r=0.2736;
β₁: SE=0.0468,t=64.3051,p=<1e-300;β₂: SE=0.0476,t=43.9559,p=1.91e-222。
③ 计算结果:
案例 77. 温度+湿度预测冰淇淋销量
多元线性回归温湿协同影响
① 原始数据:
模型:y = β₀ + β₁x₁ + β₂x₂ + ε。H₀: β₁=0 且 β₂=0(整体无解释力)。
正规方程解:β₀=9.4728,β₁=6.1857,β₂=4.0984;
SST=2095506.32,SSR=1768961.87,SSE=326544.45;R²=0.8442,调整R²=0.8436;
整体 F=(SSR/2)/(SSE/536)=1451.8139,p=4.28e-217;x1,x2 相关 r=0.1666;
β₁: SE=0.1977,t=31.2919,p=4.82e-123;β₂: SE=0.1077,t=38.0436,p=2.09e-154。
③ 计算结果:
案例 78. 面积+房龄预测租金
多元线性回归面积主、房龄负
① 原始数据:
模型:y = β₀ + β₁x₁ + β₂x₂ + ε。H₀: β₁=0 且 β₂=0(整体无解释力)。
正规方程解:β₀=988.4912,β₁=40.2272,β₂=-24.1707;
SST=716230652.73,SSR=657275254.46,SSE=58955398.27;R²=0.9177,调整R²=0.9174;
整体 F=(SSR/2)/(SSE/681)=3796.1278,p=<1e-300;x1,x2 相关 r=0.1786;
β₁: SE=0.4624,t=87.0036,p=<1e-300;β₂: SE=2.2267,t=-10.8548,p=-9.94e+01。
③ 计算结果:
案例 79. 工龄+学历预测月薪
多元线性回归两正向因素
① 原始数据:
模型:y = β₀ + β₁x₁ + β₂x₂ + ε。H₀: β₁=0 且 β₂=0(整体无解释力)。
正规方程解:β₀=2975.6458,β₁=600.5478,β₂=1541.2667;
SST=12004165884.12,SSR=9860068584.76,SSE=2144097299.36;R²=0.8214,调整R²=0.8210;
整体 F=(SSR/2)/(SSE/919)=2113.1044,p=<1e-300;x1,x2 相关 r=0.3803;
β₁: SE=13.6799,t=43.9001,p=8.17e-228;β₂: SE=55.7361,t=27.6530,p=-2.00e+55。
③ 计算结果:
案例 80. 学习时长+睡眠质量预测成绩
多元线性回归两正向因素
① 原始数据:
模型:y = β₀ + β₁x₁ + β₂x₂ + ε。H₀: β₁=0 且 β₂=0(整体无解释力)。
正规方程解:β₀=29.8455,β₁=2.9374,β₂=1.6898;
SST=80275.84,SSR=57139.81,SSE=23136.04;R²=0.7118,调整R²=0.7110;
整体 F=(SSR/2)/(SSE/692)=854.5272,p=1.14e-187;x1,x2 相关 r=0.3539;
β₁: SE=0.0822,t=35.7209,p=3.32e-159;β₂: SE=0.2477,t=6.8207,p=1.44e-09。
③ 计算结果:
案例 81. 训练量+饮食预测运动成绩
多元线性回归两正向因素
① 原始数据:
模型:y = β₀ + β₁x₁ + β₂x₂ + ε。H₀: β₁=0 且 β₂=0(整体无解释力)。
正规方程解:β₀=39.9116,β₁=5.0931,β₂=3.0787;
SST=175143.48,SSR=154834.73,SSE=20308.75;R²=0.8840,调整R²=0.8838;
整体 F=(SSR/2)/(SSE/854)=3255.4648,p=<1e-300;x1,x2 相关 r=0.3200;
β₁: SE=0.0881,t=57.8028,p=2.02e-297;β₂: SE=0.0883,t=34.8472,p=3.27e-166。
③ 计算结果:
案例 82. 价格+品牌力预测购买意愿
多元线性回归价负、品牌正
① 原始数据:
模型:y = β₀ + β₁x₁ + β₂x₂ + ε。H₀: β₁=0 且 β₂=0(整体无解释力)。
正规方程解:β₀=4.9939,β₁=-0.0201,β₂=1.0007;
SST=40936.09,SSR=40904.65,SSE=31.45;R²=0.9992,调整R²=0.9992;
整体 F=(SSR/2)/(SSE/388)=252357.7353,p=<1e-300;x1,x2 相关 r=0.2533;
β₁: SE=0.0004,t=-53.8808,p=3.18e-182;β₂: SE=0.0014,t=698.9374,p=<1e-300。
③ 计算结果:
案例 83. 温度+风速预测用电量
多元线性回归两因素
① 原始数据:
模型:y = β₀ + β₁x₁ + β₂x₂ + ε。H₀: β₁=0 且 β₂=0(整体无解释力)。
正规方程解:β₀=199.2919,β₁=-4.8141,β₂=-3.2327;
SST=2003519.42,SSR=1384838.85,SSE=618680.58;R²=0.6912,调整R²=0.6903;
整体 F=(SSR/2)/(SSE/707)=791.2654,p=3.98e-181;x1,x2 相关 r=0.2934;
β₁: SE=0.1510,t=-31.8805,p=6.33e-139;β₂: SE=0.2414,t=-13.3939,p=-1.23e+10。
③ 计算结果:
案例 84. 经验+团队规模预测交付速度
多元线性回归两正向
① 原始数据:
模型:y = β₀ + β₁x₁ + β₂x₂ + ε。H₀: β₁=0 且 β₂=0(整体无解释力)。
正规方程解:β₀=10.0824,β₁=0.9756,β₂=0.5238;
SST=22495.17,SSR=16258.26,SSE=6236.91;R²=0.7227,调整R²=0.7220;
整体 F=(SSR/2)/(SSE/704)=917.5870,p=7.83e-197;x1,x2 相关 r=0.5217;
β₁: SE=0.0335,t=29.1046,p=7.10e-123;β₂: SE=0.0450,t=11.6324,p=-9.22e+04。
③ 计算结果:
案例 85. 价格+广告预测利润
多元线性回归价正、广告正
① 原始数据:
模型:y = β₀ + β₁x₁ + β₂x₂ + ε。H₀: β₁=0 且 β₂=0(整体无解释力)。
正规方程解:β₀=4.7667,β₁=0.4983,β₂=0.3020;
SST=49375.00,SSR=42457.83,SSE=6917.17;R²=0.8599,调整R²=0.8595;
整体 F=(SSR/2)/(SSE/777)=2384.6264,p=<1e-300;x1,x2 相关 r=0.4492;
β₁: SE=0.0149,t=33.5191,p=4.53e-153;β₂: SE=0.0078,t=38.8902,p=1.66e-184。
③ 计算结果:
第4类:逻辑回归(案例 86–100)
案例 86. 广告投入预测是否购买
逻辑回归投入高更易买
① 原始数据:
二分类 logistic 回归:logit(P(y=1)) = β₀ + Σβⱼxⱼ。
用 IRLS(牛顿法) 极大似然估计得:截距: β=-1.1517, OR=0.3161, z=-12.7113, p=5.11e-37;x: β=0.0659, OR=1.0681, z=9.9615, p=2.25e-23;
McFadden 伪 R² = 1−LL/LL₀ = 0.1266;
示例预测(x=50):P(y=1)=1/(1+e^(−-1.1517))=0.2402。
③ 计算结果:
案例 87. 信用分预测是否违约
逻辑回归分低易违约
① 原始数据:
二分类 logistic 回归:logit(P(y=1)) = β₀ + Σβⱼxⱼ。
用 IRLS(牛顿法) 极大似然估计得:截距: β=-0.9533, OR=0.3855, z=-11.3687, p=5.99e-30;x: β=-0.0126, OR=0.9875, z=-10.5139, p=7.45e-26;
McFadden 伪 R² = 1−LL/LL₀ = 0.1297;
示例预测(x=700):P(y=1)=1/(1+e^(−-0.9533))=0.2782。
③ 计算结果:
案例 88. 学习时长预测考试及格
逻辑回归学得久易过
① 原始数据:
二分类 logistic 回归:logit(P(y=1)) = β₀ + Σβⱼxⱼ。
用 IRLS(牛顿法) 极大似然估计得:截距: β=-1.1198, OR=0.3263, z=-11.9416, p=7.18e-33;x: β=0.2862, OR=1.3314, z=8.5616, p=1.11e-17;
McFadden 伪 R² = 1−LL/LL₀ = 0.1040;
示例预测(x=10):P(y=1)=1/(1+e^(−-1.1198))=0.2460。
③ 计算结果:
案例 89. 运动量预测是否患慢病
逻辑回归运动多风险低
① 原始数据:
二分类 logistic 回归:logit(P(y=1)) = β₀ + Σβⱼxⱼ。
用 IRLS(牛顿法) 极大似然估计得:截距: β=-1.2200, OR=0.2952, z=-9.1842, p=4.15e-20;x: β=-0.4105, OR=0.6633, z=-5.8822, p=4.05e-09;
McFadden 伪 R² = 1−LL/LL₀ = 0.0968;
示例预测(x=5):P(y=1)=1/(1+e^(−-1.2200))=0.2279。
③ 计算结果:
案例 90. 收入预测是否买豪车
逻辑回归收入高易买
① 原始数据:
二分类 logistic 回归:logit(P(y=1)) = β₀ + Σβⱼxⱼ。
用 IRLS(牛顿法) 极大似然估计得:截距: β=-1.1469, OR=0.3176, z=-12.8067, p=1.50e-37;x: β=0.0825, OR=1.0860, z=10.1141, p=4.78e-24;
McFadden 伪 R² = 1−LL/LL₀ = 0.1343;
示例预测(x=30):P(y=1)=1/(1+e^(−-1.1469))=0.2411。
③ 计算结果:
案例 91. 用户活跃度预测是否续费
逻辑回归活跃易续费
① 原始数据:
二分类 logistic 回归:logit(P(y=1)) = β₀ + Σβⱼxⱼ。
用 IRLS(牛顿法) 极大似然估计得:截距: β=-1.3657, OR=0.2552, z=-10.2366, p=1.36e-24;x: β=0.0920, OR=1.0964, z=7.0447, p=1.86e-12;
McFadden 伪 R² = 1−LL/LL₀ = 0.1245;
示例预测(x=30):P(y=1)=1/(1+e^(−-1.3657))=0.2033。
③ 计算结果:
案例 92. 页面加载慢预测是否流失
逻辑回归慢易流失
① 原始数据:
二分类 logistic 回归:logit(P(y=1)) = β₀ + Σβⱼxⱼ。
用 IRLS(牛顿法) 极大似然估计得:截距: β=-1.1795, OR=0.3074, z=-10.4223, p=1.96e-25;x: β=1.0707, OR=2.9175, z=8.8376, p=9.78e-19;
McFadden 伪 R² = 1−LL/LL₀ = 0.1519;
示例预测(x=2):P(y=1)=1/(1+e^(−-1.1795))=0.2351。
③ 计算结果:
案例 93. 会员等级与推荐(无显著关系)
逻辑回归等级不影响推荐
① 原始数据:
二分类 logistic 回归:logit(P(y=1)) = β₀ + Σβⱼxⱼ。
用 IRLS(牛顿法) 极大似然估计得:截距: β=-1.2312, OR=0.2920, z=-14.5802, p=3.76e-48;x: β=0.0917, OR=1.0961, z=1.0959, p=0.2731;
McFadden 伪 R² = 1−LL/LL₀ = 0.0014;
示例预测(x=3):P(y=1)=1/(1+e^(−-1.2312))=0.2260。
③ 计算结果:
案例 94. 年龄预测是否患老花
逻辑回归年龄大风险高
① 原始数据:
二分类 logistic 回归:logit(P(y=1)) = β₀ + Σβⱼxⱼ。
用 IRLS(牛顿法) 极大似然估计得:截距: β=-1.1001, OR=0.3329, z=-10.7721, p=4.66e-27;x: β=0.0633, OR=1.0653, z=8.1233, p=4.54e-16;
McFadden 伪 R² = 1−LL/LL₀ = 0.1144;
示例预测(x=40):P(y=1)=1/(1+e^(−-1.1001))=0.2497。
③ 计算结果:
案例 95. 吸烟量预测是否患肺病
逻辑回归吸烟多风险高
① 原始数据:
二分类 logistic 回归:logit(P(y=1)) = β₀ + Σβⱼxⱼ。
用 IRLS(牛顿法) 极大似然估计得:截距: β=-1.1428, OR=0.3189, z=-13.6278, p=2.74e-42;x: β=0.1633, OR=1.1774, z=10.8617, p=1.75e-27;
McFadden 伪 R² = 1−LL/LL₀ = 0.1298;
示例预测(x=10):P(y=1)=1/(1+e^(−-1.1428))=0.2418。
③ 计算结果:
案例 96. 温度+湿度预测是否中暑
逻辑回归温湿协同增风险
① 原始数据:
二分类 logistic 回归:logit(P(y=1)) = β₀ + Σβⱼxⱼ。
用 IRLS(牛顿法) 极大似然估计得:截距: β=-1.8751, OR=0.1533, z=-12.6183, p=1.67e-36;x1: β=0.1012, OR=1.1065, z=4.6882, p=2.76e-06;x2: β=0.1891, OR=1.2082, z=7.6716, p=1.70e-14;
McFadden 伪 R² = 1−LL/LL₀ = 0.1903;
示例预测(x1=x2=28):P(y=1)=1/(1+e^(−-1.8751))=0.1330。
③ 计算结果:
案例 97. 收入+学历预测是否晋升
逻辑回归两正向因素
① 原始数据:
二分类 logistic 回归:logit(P(y=1)) = β₀ + Σβⱼxⱼ。
用 IRLS(牛顿法) 极大似然估计得:截距: β=-2.3004, OR=0.1002, z=-14.0458, p=8.17e-45;x1: β=0.0678, OR=1.0702, z=6.1039, p=1.03e-09;x2: β=0.0837, OR=1.0873, z=7.0264, p=2.12e-12;
McFadden 伪 R² = 1−LL/LL₀ = 0.1857;
示例预测(x1=x2=30):P(y=1)=1/(1+e^(−-2.3004))=0.0911。
③ 计算结果:
案例 98. 广告+促销预测是否加购
逻辑回归两正向因素
① 原始数据:
二分类 logistic 回归:logit(P(y=1)) = β₀ + Σβⱼxⱼ。
用 IRLS(牛顿法) 极大似然估计得:截距: β=-2.1116, OR=0.1210, z=-13.0562, p=5.86e-39;x1: β=0.0162, OR=1.0163, z=5.6483, p=1.62e-08;x2: β=0.0156, OR=1.0158, z=5.5394, p=3.04e-08;
McFadden 伪 R² = 1−LL/LL₀ = 0.1487;
示例预测(x1=x2=50):P(y=1)=1/(1+e^(−-2.1116))=0.1080。
③ 计算结果:
案例 99. 年龄+运动预测是否健康
逻辑回归年龄负运动正
① 原始数据:
二分类 logistic 回归:logit(P(y=1)) = β₀ + Σβⱼxⱼ。
用 IRLS(牛顿法) 极大似然估计得:截距: β=-2.1081, OR=0.1215, z=-15.8649, p=1.11e-56;x1: β=-0.0611, OR=0.9408, z=-7.2136, p=5.45e-13;x2: β=0.0558, OR=1.0574, z=6.8501, p=7.38e-12;
McFadden 伪 R² = 1−LL/LL₀ = 0.1591;
示例预测(x1=x2=40):P(y=1)=1/(1+e^(−-2.1081))=0.1083。
③ 计算结果:
案例 100. 价格+品牌预测是否购买
逻辑回归价负品牌正
① 原始数据:
二分类 logistic 回归:logit(P(y=1)) = β₀ + Σβⱼxⱼ。
用 IRLS(牛顿法) 极大似然估计得:截距: β=-2.0644, OR=0.1269, z=-12.2046, p=2.94e-34;x1: β=-0.0180, OR=0.9821, z=-5.8546, p=4.78e-09;x2: β=0.0164, OR=1.0166, z=5.6882, p=1.28e-08;
McFadden 伪 R² = 1−LL/LL₀ = 0.1693;
示例预测(x1=x2=100):P(y=1)=1/(1+e^(−-2.0644))=0.1126。
③ 计算结果:
学习资料见知识星球。
以上就是今天要分享的技巧,你学会了吗?若有什么问题,欢迎在下方留言。
快来试试吧,小琥 my21ke007。获取 1000个免费 Excel模板福利!
更多技巧, www.excelbook.cn
欢迎 加入 零售创新 知识星球,知识星球主要以数据分析、报告分享、数据工具讨论为主;
1、价值上万元的专业的PPT报告模板。
2、专业案例分析和解读笔记。
3、实用的Excel、Word、PPT技巧。
4、VIP讨论群,共享资源。
5、优惠的会员商品。
6、一次付费只需129元,即可下载本站文章涉及的文件和软件。
