3.10线性回归分析.PDFVIP

3.10 线性回归分析 教学要求 回归分析是一种统计工具，它利用两个或两个以上变量之间的关系，由一个或几个变量 来预测另一个变量，它是处理变量之间相关关系的一种数理统计方法．本节要求学习者理解 回归分析的基本思想，对给定的实际问题能够作出一元线性回归的数学模型，并熟练运用最 小二乘估计法，求解一元线性回归方程中的未知参数，深刻理解和掌握一元回归效果的显著 性检验方法，并根据求出的回归直线方程，作出预测和控制，了解二元线性回归方程的建立 方法． 知识点 1. 回归分析的基本思想 2. 一元线性回归的数学模型 3. 一元线性回归中未知参数的最小二乘估计 4. 一元线性回归效果的显著性检验(F 检验法) *5. 一元线性回归效果的显著性检验(相关系数检验法) 6. 一元线性回归的预测问题 7. 一元线性回归的控制问题 *8. 二元线性回归方程 *9. Mathematica 系统的线性回归软件包的使用 3.10.1 回归分析的基本思想 在客观世界中，我们经常会遇到一些相互依赖、相互制约的变量．它们之间有着一定的 关系，这种关系在量上主要有两种类型．一类是确定性关系，也就是我们所熟悉的函数关系， 其特点就是给定自变量的值，能确定因变量的对应值．另一类是非确定性关系，其特点是给 定自变量的值，不能确定因变量的值．例如，身高和体重之间的关系，一般来说，人高一些， 体重大一些，但同样高度的人体重往往不尽相同；又如在气候、土质、水利、种子和栽培技 术等条件基本相同时，水稻亩产量y 与施肥量x 有密切关系，但是施肥量相同，亩产量不一 定相同等等．这种既存在着密切的关系，但又不能由一个(或一组)变量的值来确定另一个变 量的值，在数理统计中，我们把这类变量之间的非确定性的关系称之为统计关系或相关关 系．回归分析就是研究这类关系的统计方法． 在此，我们首先要区分两种主要类型的变量．一种变量相当于通常函数关系中的自变量， 对这样的变量能够赋予一个需要的值(如室内的温度、施肥量)或者能够取到一个可观测但不 能人为控制的值(如室外的温度)，这样的变量称为自变量；自变量的变化能引起另一些变量 (如水稻亩产量)的变化，这样的变量称为因变量．我们所感兴趣的问题是自变量对因变量的 取值有什么样的影响．回归分析是研究自变量的变化对因变量变化的影响程度，其目的在于 根据已知自变量的变化来估计或预测因变量的变化情况．回归分析的内容包括：如何确定因 变量与自变量之间的回归模型；如何根据样本观测数据，估计并检验回归模型及未知参数； 在众多的自变量中，判断哪些变量对因变量的影响是显著的，哪些变量的影响是不显著的； 根据自变量的已知值或给定值来估计和预测因变量的值． 1 定义. 由一个或一组非随机变量来估计或预测某一个随机变量的观测值时，所建立的数学模 型及所进行的统计分析，称为回归分析． 因此，回归分析是研究随机变量与非随机变量之间的数量关系的一种数学方法．如果所 建立的模型是线性的就称为线性回归分析．线性回归分析不仅告诉我们怎样建立变量间的数 学表达式，即经验公式，而且还利用概率统计知识进行分析讨论，判断出所建立的经验公式 的有效性，从而可以进行预测或估计. 按变量个数的多少，回归分析有一元回归分析与多元回归分析之分，而多元回归分析的 原理与一元回归分析的原理类似，因此本节重点介绍一元线性回归． 3.10.2 一元线性回归的数学模型 设相关的两个变量为x 与y ，且x 是可以控制或可以观测的变量(普通变量)，y 是随机 变量，我们来讨论x 与y 之间的关系． 我们先从一个例子入手． 例 3.10.1 某种合成纤维的强度与其拉伸倍数之间有一定关系，下表是实测 24 个纤维样品的 强度y 与相应的拉伸倍数x 的数据记录．试求出它们之间的关系． 编号 拉伸倍数x 强度y 编号 拉伸倍数x 强度y 1 1.9 1.4 13 5.0 5.5 2 2.0 1.3 14 5.2 5.0 3 2.1 1.8