第四讲 方差分析与回归分析.pptVIP

关键词： 单因素试验 双因素试验 交互作用 一元线性回归 多元线性回归 （七）Y的观察值的点预测和预测区间 注：在预测时， 一定要落在已有的 的数据范围内部，否则预测常常没有意义。 例5 合金钢的强度y与钢材中碳的含量x有密切关系。为了冶炼出符合要求强度的钢常常通过控制钢水中的碳含量来达到目的，为此需要了解y与x之间的关系。其中x：碳含量（％） y：钢的强度（kg/mm2）数据见下： 56.0 53.0 47.5 45.0 42.0 43.0 41.5 41.0 39.5 40.5 y 0.20 0.17 0.15 0.12 0.10 0.09 0.07 0.05 0.04 0.03 x （1）画出散点图；（2）设μ(x)=a+bx,求a,b的估计；（3）求误差方差的估计，画出残差图；（4）检验回归系数b是否为零（取α=0.05)；（5）求回归系数b的95％置信区间；（6）求在x=0.06点，回归函数的点估计和95％置信区间；（7）求在x=0.06点，Y的点预测和95％区间预测。 ?（二）?双因素无重复试验的方差分析 因素B 因素A 分别检验假设 双因素无重复试验的方差分析表 总和 误差 因素B 因素A F比 均方 自由度 平方和 方差来源 例4 假定对3个小麦品种和3块试验地块进行区组设计试验，得到如下的数据： 表 小麦品种区组试验数据 小麦品种（A） 试验地块（B） 总和 B1 B2 B3 A1 258 279 242 779 A2 302 314 336 952 A3 321 318 327 966 总和 881 911 905 2697 在这个问题中我们关心的是小麦的不同品种之间在产量上的差异。由于地块不同对小麦的产量也会有 影响，因此在比较试验结果时，要扣除地块的影响之后再来比较品种的差异。假定品种与地块之间无交互效应，则可对上述数据进行双因素可加效应模型的方差分析。 0.29 12.50 F比 8 8558.0000 总和 289.3333 4 1157.3333 误差 6.94 84.0000 2 168.0000 因素B 6.94 3616.3333 2 7232.6667 因素A F值α=0.05 均方 自由度 平方和 方差来源 双因素无重复试验的方差分析表 在这个问题中我们所关心的是因素A的效应，由方差分析表知，原假设不成立，即认为小麦品种的产量之间有显著差异。 在这里，品种3的单产最高，而品种1的产量最低，因此可以断定品种3明显地优于品种1。 在上面的例子中，不同的试验地块称为“区组”（blocks）。区组因子是多因子试验中经常要考虑的问题。 试验对象分成区组的例子很多，例如在医学或药物试验中试验对象的性别或年龄，在工业试验中不同试验设备等，都属于区组的范畴。 一般，不同区组的影响并不是研究的对象，但它的存在确实会影响试验的结果。随机分组可以在一定程度上消除一部分区组的影响。但当区组的影响较大，而试验对象的数目相对较少时（这正是通常遇到的情况），随机分组对消除区组影响的作用不大。因此，把区组作为一个因子引入模型是非常有必要的。 §3 一元线性回归分析 一、确定性关系： 当自变量给定一个值时，就确定应变量的值与之对应。 如：在自由落体中，物体下落的高度h与下落时间t之间有函数关系： 变量与变量之间的关系 二、相关性关系： 变量之间的关系并不确定，而是表现为具有随机性的一种“趋势”。即对自变量x的同一值，在不同的观测中，因变量Y可以取不同的值，而且取值是随机的，但对应x在一定范围的不同值，对Y进行观测时，可以观察到Y随x的变化而呈现有一定趋势的变化。 如：身高与体重，不存在这样的函数可以由身高计算出体重，但从统计意义上来说，身高者，体也重。 再如：父亲的身高与儿子的身高之间也有一定联系，通常父亲高，儿子也高。 回归分析——研究相关性关系的最基本，应用最广泛的方法。 （一）一元线性回归 在实际问题中，回归函数μ(x)一般是未知的， 需要根据试验数据去估计。 一元线性回归要解决的问题： （二）a,b的估计——最小二乘估计 例1 K.Pearson收集了大量父亲身高与儿子身高的资料。其中十对如下： 70 70.1 68.3 67.4 67.1 66.9 65.5 66 65.2 63.6 儿子身高y（吋） 74 72 70 68 67 66 65 64 62 60 父亲身高x（吋） 求Y关于x的线性回归方程。 （三）误差方差的估计 例2 求例1中误差方差的无偏