第二章_常用统计技术.ppt

回归方程的显著性检验 检验两个变量间是否存在线性相关关系的问题便是对回归方程的显著性检验问题 相关系数检验法：当|r|r1- α/2(n-2)时，便认为两个变量间存在线性相关关系，所求得的回归方程是有意义的 方差分析检验法：是单因子方差分析 例2.2.1的单因子方差分析 利用回归方程进行预测：给定了自变量x后，对因变量y做出推断 例2.2.1中指定x0=0.16，预测y0的区间可化为一元线性回归的曲线回归 确定曲线回归方程形式，方法有两种： 一是根据专业知识 二是根据数据所画的散布图，将它与一些标准的函数图像进行比较后加以选择 例2.2.2 散布图2.2.5 常见的函数图像 图2.2.4 曲线回归方程中参数的估计，我们采用线性化的方法，即通过变化将它化为一元线性回归方程的形式，用线性回归方法来获得参数的估计 例2.2.2 曲线回归方程的比较，比较准则两个： 一是要求相关系数R大 二是要求剩余标准差S小 三　试验设计 试验设计的基本概念与正交性 试验设计 全面搭配　试验三个因子，每个因子三个水平 优点：信息量大，可选最佳条件 缺点：试验次数太多，估计不出试验误差 单因子条件试验法（因子轮换法） 取A2B3C2为最佳条件 优点：试验次数少 缺点：各因子水平间搭配不全面，信息量不够；试验误差未知，当试验误差大时，有时会选错最佳条件 正交试验法 用正交表安排试验，并利用正交表的特点进行数据分析，找出最好或满意的试验条件。用单因子条件试验法的相同试验次数，各因子水平间全面搭配，信息量丰富，能估计出试验误差 正交表 a、常用正交表 Ln（qp） “L”表示正交表 “n”是表的行数，在试验中表示试验的条件数 “p”是列数，在试验中表示可以安排因子的最多个数 “q”是表的主体只有三个不同数字，在试验中表示每一因子可以取的水平数 常用的正交表有两大类 (1) 一类正交表的行数n，列数p，水平数q间有如下关系： n=qk, k=2,3,4,…, p=(n-1)/(q-1) 如：L4(23)，L8(27)，L16(215)，L32(231)等，可以考察因子间的交互作用。 (2) 另一类正交表的行数，列数，水平数之间不满足上述的两个关系 如：L12(211)，L18(37)，L20(219)，L36(313)等 这类正交表不能用来考察因子间的交互作用 正交表具有正交性，这是指它有如下两个特点： (1) 每列中不同的数字重复次数相同。 在表L9(34)中，每列有3个不同数字：1,2,3，每一个出现3次。 (2) 将任意两列的同行数字看成一个数对，那么一切可能数对重复次数相同。 在表L9(34)中，任意两列有9种可能的数对：(1,1),(1,2),(1,3),(2,1),(2,2),(2,3), (3,1),(3,2),(3,3)每一对出现一次。 无交互作用的正交设计与数据分析 试验设计，以2.3.1为例(1)明确试验目的 (2)明确试验指标 (3)确定因子与水平 (4)选用合适的正交表,进行表头设计,列出试验计划 进行试验和记录试验结果 试验的次序最好要随机化 试验结果记录在对应的试验条件后面 数据分析 数据的直观分析 寻找最好的试验条件 直观分析计算表，见表2.3.1 各因子对指标影响程度大小的分析用极差来判断影响大小 B因子影响最大，其次是A因子，C因子影响最小 各因子不同水平对指标的影响图 C B A 220 205 190 175 160 900 1100 1300 10 11 12 70 80 90 RA RB RC 数据的方差分析（多因子方差分析） 数据的方差分析计算见表2.3.5 　　SA=S1　SB=S2　SC=S3　Se=S4 　　ST=S1+S2+S3+S4 对满足2.3.1式要求的一类正交表则有： ST=S1+S2+…+Sp 最后的方差分析表见表2.3.6，由于 FAF0.90(2,2)，FBF0.95(2,2) 因子A影响显著，因子B影响高度显著，因子C 影响不显著 F比F0.90 影响不显著 F0.95F比F0.90 影响显著 F0.99F比F0.95 影响高度显著 F比F0.99 显著性特大 最佳条件的选择 对显著因子应该取最好的水平； 对不显著因子的水平可以任意选取，在实际中通常从降低成本、操作方便等角度加以选择。 上面的例子中对因子A与B应该选择A2B2，因子C可以任选，譬如为节约材料可选择C1。 因子的贡献率 当试验指标不服从正态分布时,进行方差分析的依据就不够充足,此时可通过比较各因子的“贡献率”来衡量因子作用的大小。由于S因中除因子的效应外，还包含误差，从而称S因-f因MSe为因子的纯离差平方和，将因子的纯离