新高等数学 上 教学课件 张圣勤 黄勇林 姜玉娟第十三章 13 5.pptVIP

第十三章 数理统计初步 第五节 一元线性回归 机械工业出版社 Jixie gongye chubanshe 在线教务辅导网： 教材其余课件及动画素材请查阅在线教务辅导网 QQ:349134187 或者直接输入下面地址： 第五节 一元线性回归 一 最小二乘法估计 二 线性回归的显著性检验 三 用线性回归方程作预报 两个变量之间的关系 确定性关系（或函数关系） 常用函数关系来表达;如正方形的面积与其边长的关系，球的体积与其直径的关系. 非确定性关系(相关关系) 没有完全确定的函数关系式, 但两个变量之间存在着一定的统计规律性;如人的体重与身高之间的关系，身高与年龄之间的关系等， 如1885年，英国科学家高尔顿和卡-皮尔逊等人通过大量的统计试验研究得出子代身高y与父代身高x之间有相关关系，且可大致地用数学式y=0.516x+33.73（英寸）来描述，并称之为“回归定理”。 所以我们把寻找具有相关关系的变量之间的近似的数学关系并进行统计推论的方法叫做回归分析。而相应的近似数学关系式也称为回归方程，并把只有一个自变量和一个随机变量所对应的回归问题称为一元回归问题。若一元回归方程是线性的，则称为一元线性回归方程。 例1 去年有人对某单位家庭拥有机动车情况作了统计，发现该单位机动车家庭普及率如下： 56.3 54.3 52.8 50.6 48.03 45.83 43.84 普及率(Yi%) 7 6 5 4 3 2 1 月份Xi 显然，y随着x增大而增大，y与x之间存在着相关关系，这相关关系到底是怎样的呢？我们不妨在直角坐标系内把这7对数据（Xi，Yi）（i=1，2，3，---7）作为点的坐标作出对应的7个点来，如图所示。（此图叫做散点图）。 1 2 4 5 6 7 3 X 40 45 50 55 60 (1,43.84) (7,56.30) (4,50.60) (6,54.30) (5,52.80) (3,48.03) (2,45.83) Y 从散点图上看，这7个点虽是散乱的，但大致还是散布在一条直线的周围，即y与x之间的关系大致是线性的。 如果作这样的直线 ? =a+bx，则这样的直线有许多条，哪条最合适呢？ 设这些点（Xi，Yi）与直线? =a+bx沿纵轴方向的偏差为εi=yi-?i ，即 εi=Yi-（a+bXi）。 我们自然希望所有εi都最小为佳，即使直线 ? =a+bx 从总体上看与这7个点都要尽量地接近。 要使偏差平方和 Q= 最小为佳，这样求出的a，b而得到的直线 ? =a+bx才最合适。 一 最小二乘法估计 设自变量x与随机变量y之间的相关关系是线性的，即：y=a+bx+ε 并经过n次独立试验，所获得的数据为(x1,y1),(x2,y2),---(xn,yn)把它们分别代入上式得： yi=a+bxi+εi (i=1,2,---,n). 令? =a+bx，则εi是 yi 与?i 之间的偏差即εi=yi-?i ,(i=1,2,---,n) 要用? =a+bx来表达 y与x 之间的线性相关关系。因此要求对所有的数据来说要找到合适的a,b，使偏差的平方和 要为最小。 利用微分学中求函数极值的方法，我们将 对a,b 求偏导得： 由 和 得： 所以 (其中 分别为xi和yi的均值) 为了方便计算，记 则显然有： 从而可求得 x与y 之间的一元线性回归方程? =a+bx。这种方法叫做最小二乘法估计。其实，我们也可以直接利用计算器的统计功能求得Lxx,Lyy,从而求得a, b。 如上例1：因为 56.3 54.3 52.8 50.6 48.03 45.83 43.84 yi 　7　 　6　 　5　 　4　 　3　 　2　 　1　 xi 由计算器统计功能可直接求得 所以 而 故b=Lxy/Lxx=2.113, a=50.24-2.113×4=41.79 所以，该单位机动车家庭拥有率 y与月份x 之间的回归直线方程为： ? =a+bx =41.79+2.113x。 因此,对任一组观察值（xi，yi）（i =1,2,--n）不论y与x是否存在线性相关关系都可利用最小二乘法求出回归直线? =a+bx ，显然当y与x之间并不存在线性相关关系时，所求的回归直线方程就毫无意义。因此，我们还必须要检验y与x之间是否存在显著的线性相关关系。 二 线性回归的显著性检验 定理： 简记为Lyy=Q+U 也叫做总偏差平方和Lyy的分解公式 1．平方和分解公式 已知两个变量x与y之间存在线性相关关系和回归方程为? =a+bx，其中 则我们有如下定理 它是由于实际观察数据没有落在回归直线上所引起的 ，它反映了观察数据偏