多元统计期末复习 .pptVIP

1.简单相关系数： 单纯考虑因变量Y和自变量X的直线 相关关系,r为简单相关系数。 对应的总体参数为： 2.复(全)相关系数： 刻画因变量Y（随机变量）和一组自变量 X1,X2,…,Xi ,…，Xp（也是随机变量）的线 性联系的程度,决定系数 = R2 即， 书P102例4.2.1 已知 定理：设 是p维随机向量，且 D(X)=Σ,Σ的特征值为 为相应的单位正交特征向量，则X 的第i主成分为 由于 所以 或 总体方差中属于第i主成分zi（或被zi 所解释）的比例为 称为主成分zi的贡献率。 前m个主成分的贡献率之和 称为主成分z1，z2，...，zm的累计贡献率。 设 试从R出发求X的总体主成分及每个主成分的贡献率。 因子分析模型 一、因子分析模型 X*:标准化后的数据，F：公共因子，E：特殊因子 假设x*、F、E满足这样一些性质： (1)E(x*)=0 E(x)=0 (2)E(F)=0,cov(F)=I (3)E(E)=0,cov(E)=∑，cov(ei,F)=0 x1*=a11F1+a12F2+…+a1mFm+e1 x2*=a21F1+a22F2+…+a2mFm+e2 … xp*=ap1F1+ap2F2+…+apmFm+ep X*=AF+E 或X*=FA+E 2、变量共同度及其统计意义 因子载荷阵中第 i行元素的平方和称为xi* 的共性方差（或共同度）。 h12=a112+a122+…+a1m2 h22=a212+a222+…+a2m2 。。。 hp2=ap12+ap22+…+apm2 判别分析 总体主成分分析 2、主成分的总方差 λ为相关矩阵的特征值 样本主成分 * 多元统计分析 ——期末复习 f (x1,x2, …,xn) 则称X服从n元正态分布. 其中∑是(X1,X2, …,Xn) 的协方差矩阵. | ∑ |是它的行列式， 表示∑ 的逆矩阵， X和 是n维列向量， 表示X的转置. 设 =(X1,X2, …,Xn)是一个n维随机向量, 若它的概率密度为 多元正态分布 推论1 参数 的极大似然估计？ 估计量的性质： 1无偏性 2有效性 若 的某个无偏估计 是 的所有无偏估计中最有效的一个，即有 ，则称为的有效估计。 定理3.1 则依据上假设有： 例1 例2 定理3.2推论1 正态向量的两(多)个独立部分量的边缘分布遵从正态分布。 不妨设 相应地有 则有： 事实上依定理证明可直接求得 定理3.2推论2 定理3.2推论3 几个多元变量的相关概念 Wishart分布（威沙特分布） 霍特林（Hotelling）分布 定理4.1.1： ， ， ， 与 独立，则随机变量 事实上，因为 根据定理4.1.1 ， 定义2：设 i.i.d ，若 ， ， ， 与 独立，则称随机变量 服从第一自由度为P 第二自由度为 的中心 分布，记为 推论1 ：设 i.i.d ，当 已知时， 推论2 ：设 i.i.d ，当 未知， 记 ， ， 则 事实上，因为 根据定义3，取 ，则 ， 可以证明： 上公式等价于： 分布统计量与。 上两公式给出了 的关系。 对于给定的检验水平 *