回归分析与相关分析.pptVIP

第五节 可线性化的非线性回归 因此 而 由此得到 t 分布 可得 其中 此式说明，y的置信区间不仅与α有关，还与n有关，与x0靠近 的程度有关，也就是回归方程对 附近的x0有较好的预报区间. （如图）当n比较大且x0接近 时，取 2．控制 控制问题是预测的反问题，要想使y在一定的范围y1yy2内取值，如何控制x的变化范围，即找x1和x2使得： 当n比较大，x 在 附近时，取 则有 例2：对某种产品表面进行腐蚀刻线试验，得到腐蚀时间（记做x）与腐蚀深度（记做y）间的一组数据如表4. 求x,y之间的回归关系，并求x=75时y的95%的预测区间. 表4 46 29 25 25 19 17 16 13 8 6 4 腐蚀深度y(um) 120 90 65 60 50 40 30 20 10 5 5 腐蚀时间x(S) 解：利用SAS软件计算的回归方程为： 回归方程检验的方差分析结果如表5 表5 方差分析表 1464.91 总和 5.036 9 45.325 剩余 F0.01(1,9)=10.56 281.88 1419.59 1 1419.59 回归 临界值 F值 均方 自由度 平方和 方差来源 回归方程线性相关关系极显著，因此可以用此方程进行预报和控制. 求 x=75 时，y 的 95%预测区间： 求 x = 75 时，y 的 95%预测区间： 第四节 多元线性回归 多元线性回归分析：研究因变量（被解释变量）与两个或两个以上自变量（解释变量）之间的回归问题，称为多元回归分析。 一、多元线性回归模型 若因变量Ｙ与解释变量Ｘ１，Ｘ２，ＸＫ……具有线性关系，它们之间的线性回归模型可表示为（其中b0,b1,…,bk为回归系数，u为随机扰动项 ）： 将n个观察数据代入上述模型，则问题转化为： 写为矩阵形式： 即： 其中，Y, u 是n 维向量，b 是 k 维向量，x 是 m×k 矩阵 基本假定： ① ② ③ ④ 二、 参数的最小二乘估计 令： 取最小值。 Q在最小值处对bi的一阶偏导数为0，得： 整理得： 求解该联立方程组即可得 该正规方程可以用矩阵表示为 满秩的条件下 即为b的最小二乘估计 则称X是多元线性回归模型中数据yi的结构矩阵，表示n次观察的构成；A是正规方程的系数矩阵(信息矩阵)，C是A的逆矩阵，称为相关矩阵，B为正规方程的常数项矩阵. 回归系数可记为 若设 三、回归系数的统计性质 可以证明，由最小二乘法得到的回归系数的估计满足： 四、回归方程的显著性检验 1 总离差平方和分解 假设 求得的回归方程为： 检验统计量 n-1 D总 总平方和 MS剩= D剩/（n-2） n-k-1 D剩 剩余 F= MS回/ MS回 MS回= D回/1 k D回 回归 P值 F值 均方 自由度 平方和 方差来源 多元线性回归方程检验的方差分析表 五、回归系数的检验 参数估计的统计性质可知： 于是有 又 对回归系数的检验可以采用 进行检验，当H0成立时， 例：为了由落叶松的苗高x1和地径x2来预报苗木的鲜重Y，今观测了6株苗木，得到表中数据： 表6 6.6 50.1 19.1 6 6.0 36.9 13.8 5 6.1 53.6 14.9 4 4.6 38.3 8.7 3 4.2 40.2 7.0 2 5.8 47.3 15.6 1 地径x2(mm) 苗高x1（cm） 鲜重Y（g） 样本号 自变量 因变量 解：我们用线性关系 描述Y与x1，x2之间的关系，用SAS软件求得回归方程为： 5 102.508 总和 1.52 3 4.562 剩余 0.0094 32.205 48.97 2 97.946 回归 Pr F F值 均方 自由度 平方和 方差来源 由方差分析表可知回归方程显著. 表7方差分析表 Data new2; Input y x1 x2 @@; Cards; 15.6 47.3 5.8 7.0 40.2 4.2 8.7 38.3 4.6 14.9 53.6 6.1 13.8 36.9 6.0 19.1 50.1 6.6 ; Proc glm; Model y= x1 x2; Title 二元线性回归; Run; 二元线性回归 Dependent Variable: Y Source DF