两个回归方程间的比较.pptVIP

* 上述统计量还有一个用途：进行两个回归方程间的比较。即检验H0: ?1 = ?2和H0: ?1 = ?2。如果两H0均被接受，则可认为两组数据是抽自同一总体，从而可将两回归方程合并，得到一个更精确的方程。我们通过例题具体方法加以说明。 两个回归方程间的比较 两组实验数据 x1 91 93 94 96 98 102 105 108 y1 66 68 69 71 73 78 82 85 x2 80 82 85 87 89 91 95 y2 55 57 60 62 64 67 71 组别 n Sxx Syy Sxy MSe b a 1 8 98.375 74.0 257.875 336.0 294.0 0.1357 1.140 -38.15 2 7 87.0 62.286 162.0 187.429 174.0 0.1080 1.074 -31.15 查表，F0.975(6, 5) = 6.978 F, ?接受H0，可认为两总体方差相等。计算公共的总体方差： 首先检验总体方差是否相等 检验回归系数?1与?2是否相等 检验回归系数?1与?2是否相等 t0.975(11) = 2.201 t, ?接受H0，可认为两回归系数相等。 共同总体回归系数的估计值为： 再检验?1，?2是否相等 H0: ?1 = ?2； HA: ?1 ? ?2 查表，t0.975(11) = 2.201, 接受H0，可认为: ?1 = ?2。 Sxx = 902.9333, Sxy = 965.4667, Syy = 1035.7333, = 93.067, = 68.533, b == =1.0693, a == = ?30.9787 从而得到合并的回归方程 合并的回归方程 一对回归方程的统计检验除可用上述t检验外，还有一些其他方法。这里我们再介绍一种方差分析的方法，它的基本思想仍是对平方和的分解 一元回归的方差分析 无重复的情况 即： Syy = SSe + SSR y的总校正平方和 残差平方和 回归平方和 自由度： n-1 n-2 1 Se可作为总体方差?2的估计量，而MSR可作为回归效果好坏的评价。如果MSR仅由随机误差造成的话，说明回归失败，X和Y没有线性关系；否则它应显著偏大。因此可用统计量 解：由以前计算结果： Syy = 210.2，df = 4; SSe = 3.1704, df = 3, SSR = 210.2 ?3.1704 = 207.03, df = 1 查表得F0.95(1, 3) = 10.13, F0.99(1, 3) = 34.12 F F0.99(1, 3)，拒绝H0，差异极显著。即应认为回归方程有效。 对例题作方差分析 相关分析 r的下标xy是指明为x和y的相关系数，在不会引起混淆的情况下常常把它省略。类似地，由于最常用的是样本相关系数而不是总体相关系数，因此常把样本相关系数简称为相关系数 R值 当时，从上式可看出SSe = 0，即用可以准确预测y值。此时若X不是随机变量，则Y也不是随机变量了。这种情况在生物学研究中是不多见的 当r = 0时，SSe = Syy，回归一点作用也没有，即用X的线性函数完全不能预测Y的变化。但这时X与Y间还可能存在着非线性的关系 当时，情况介于上述二者之间隔。X的线性函数对预测Y的变化有一定作用，但不能准确预测，这说明Y还受其他一些因素，包括随机误差的影响。 r可以作为X，Y间线性关系强弱的一种指标。它的优点是非常直观，接近于1就是线性关系强，接近于0就是线性关系弱；而其他统计量都需要查表后才知检验结果。 由于r是线性关系强弱的指标，我们当然希望能用它来进行统计检验。在一般情况下r不是正态分布，直接检验有困难。但当总体相关系数ρ= 0时，r的分布近似于正态分布， 线性关系强弱的一种指标 *