概率论的基础--chapter 9.PPTVIP

§9.2一元线性回归分析 一元正态回归模型： 从而有离差(误差)平方和： 通过求Q的最小值来估计a、b ，这种方法称为 最小二乘法。 3. 非线性回归问题的线性化处理 Mathematical Statistics Chapter 9 回归分析 * 回 归 分 析 第 九 章 杨宇明 yym_329@ §1. 回归分析模型 事物之间的关系 量化 变量之间的关系 确定性关系：比如S=L2 相关关系：比如农作物亩产量Y与播种量X1、施肥量X2 回归分析：找出相关关系中变量之间的近似关系 我们把要考察的目标作为因变量( 记为Y )，而把影响它的因素称为自变量( 记为X1，X2，... Xk)。 多元回归模型： 设自变量(X1，X2，... Xk)的取值为： (x1，x2，... xk) Y对(X1，X2，... Xk)的回归函数 回归方程 在回归分析中：因变量被看作随机变量 自变量则是可控制的！ 分为：多元回归分析 一元回归分析 相应的一元回归方程为： 回归分析涉及三个问题： 在回归模型中最简单的为一元回归模型： 一元回归最简单的情形：线性回归 (1) 建立模型(找出自变量与因变量) (2) 确定回归函数?(x)的类型 (3) 估计参数 Y=a+bx+?, ?~N(0,?2) 对于任意一组样本，有 Yi = a + bxi + ?i, i=1,...,n 其中：(1) 各次试验相互独立 (2) E(?i)=0 (3) D(?i)= ?2 (4) ?1 ，...， ?n相互独立 从而，Yi ~N(a+bxi, ?2)，且相互独立，其形状如图： 其中，a — 回归常数(又称截距) b — 回归系数(又称斜率) ? — 随机扰动项 要确定合适的回归方程，便应使Y的估计值尽可能接近 真实值，为此有三种方法： (1) 误差总和 最小 缺点：可能正负误差抵消 (2) 误差绝对值之和 最小 缺点：数学处理困难 (3) 误差绝对值之和 最小 要使Q达到最小，应使Q对应于a、b的一阶偏导为0，即 故 参见P267 例9.2.1 例题1： 流经某地区的降雨量X和该地河流的径流量Y的观察值如下表，求Y关于X的线性回归方程。 降雨量xi: 110 184 145 122 165 143 78 129 径流量yi: 25 81 36 33 70 54 20 44 130 168 1436(∑） 1.4 41 75 480.4（∑） 解：n=11, , 所求经验回归方程为 随机误差的方差σ2的估计为 =（6050.59-0.632×13768.7）/11=53.25 2. 一元线性回归的假设检验（相关系数法） 问题：变量Y与X间是否存在线性相关关系？ 相关系数法:是基于试验数据检验变量间线性相关关系 是否显著的一种方法。 相关系数 是表征随机变量Y与X的线性相关程度的数字特征。 样本相关系数： 结论: 1）R越接近于1，X与Y间的线性相关关系越显著； 2）R越靠近于0，X与Y间的线性相关关系越不显著。 判别准则：给定显著性水平α 当︱R︱＞Rα(n-2)时 认为X与Y之间的线性相关关系显著。 当︱R︱≤Rα(n-2)时 认为X与Y之间的线性相关关系不显著。 EX.（续前例）利用相关系数显著性检验法，检验 降雨量X和径流量Y的线性相关关系是否显著。 解：X与Y的样本相关系数为 R 查表得 Rα（n-2） =R0.01（9）=0.735＜0.952=R 可认为X与Y的线性相关关系显著。 在实际问题中，变量间的相关关系未必是线性关系， 即其回归函数 往往是非线性函数。可通过适当的变换，将其转化为 线性回归问题。 例题2：下表是1957年美国旧轿车的调查数据表 求平均价格Y关于使用年数X的回归方程。 使用年数xi 1 2 3 4 5 6 7 平均价格yi 2651 1943 1494 1087 765