2.4回归要点.pptVIP

3. 线性回归方程的显著性检验 因此，必须对回归方程的拟合情况或效果作显著性检验。 其理论基础就是总平方和的分解，即 第一节 可化为线性的非线性回归　 一、回归方程的建立 ??? 对有些模型，如： 等，y对自变量x都不是线性的，但y对参数 和 而言是线性的，在这种情况下，我们只需把ex、㏑x、x2等视作变量，用简单的代换就可将上述模型化为线性模型 在熟练掌握最小二乘法的情况下，解决上述问题的关键是确定曲线类型和怎样将其转化为线性模型。确定曲线类型一般从两个方面考虑:一是根据专业知识，从理论上推导或凭经验推测、二是在专业知识无能为力的情况下，通过绘制和观测散点图确定曲线大体类型。 ?常用的可变换为线性的曲线主要有六种，其曲线图形参见图2-4-1，其变换式列于表2-4-1,，供读者使用时参考。 本章小结 列表法 作图法 逐差法 最小二乘法 end 表示n个y1、y2、…、yn与　之间的差异，当 各个yi已知时，它是一个定值，称为总平方 和，记作SST。 通过回归已经达到了最小值，称为剩余平 方和，记作SSE。 称为回归平方和，记作SSR。 因此，SST＝SSE+SSR。 如果SSR的数值较大，SSE的数值便比较 小，说明回归的效果好；如果SSR的数值 较小，SSE的数值便比较大，说明回归的 效果差。 可以推出：r0时b0，x增加时Y的观测值 呈增加的趋势；r0时b0，x增加时Y的观测 值呈减少的趋势。因此r0时称x与Y正相关， r0时称x与Y负相关。 综上所述，如果设H0为β＝0，也就是假设 x与Y不是线性关系，则可以用以下三种实质 相同的方法检验线性回归方程的显著性，且 当检验的结果显著时x与Y的线性关系显著， 回归方程可供应用；当检验的结果不显著时 x与Y的线性关系不显著，回归方程不可应用。 ⑴ F检验法： 当H0为真时， 且SSR与SSE相互独立；因此，当H0为真时， 当F≥F1-α(1,n-2)时应该放弃原假设H0。 (2)t检验法： 当H0为真时， 当|t|≥t1-0.5α(n-2)时应该放弃原假设H0。 (3)r检验法： 根据x与Y的观测值的相关系数 可以推出 当H0为真时， 当F≥F1-α(1,n-2)或|r|≥rα(n-2)时应该放 弃原假设H0，式中的 可由r检验用表中查出。 因此，r常常用来表示x与Y的线性关系在x 与Y的全部关系中所占的百分比，又称为x 与Y的观测值的决定系数。 4. 利用回归方程进行点预测和区间预测 若线性回归作显著性检验的结果是放弃H0， 也就是放弃回归系数β＝0的假设，便可以 利用回归方程进行点预测和区间预测，这是 人们关注线性回归的主要原因之一。 ⑴ 当x＝x0时， Y0的观测值y0的点预测是无偏的。 ⑵ 当x＝x0时，用适合不等式P{Y0∈(G,H)}≥ 1-α的统计量G和H所确定的随机区间(G,H) 预测Y0的取值范围称为区间预测，而(G,H)称 为Y0的1-α预测区间。 若Y0与样本中的各Yi相互独立，则根据 Z＝Y0-(a+bx0)服从正态分布，E(Z)＝0， Z与SSE相互独立， 可以导出 因此，Y0的1-α预测区间为 a+bx0±Δ(x0)， 其中 ?? 可分别为ex、㏑x和x2等。 对于另外一些模型，如 等，虽然y对x和参数 ?????? 都不是线性的，但也可通过适当变换化为线性模型。对于上述这些可化为线性模型的回归问题，一般先将其化为线性模型，然后再用最小二乘法求出参数的估计值，最后再经过适当的变换，得到所求回归曲线。 等，虽然y对x和参数 ?????? 都不是线性的，但也可通过适当变换化为线性模型。对于上述这些可化为线性模型的回归问题，一般先将其化为线性模型，然后再用最小二乘法求出参数的估计值，最后再经过适当的变换，得到所求回归曲线。 表2-4-1各种非线性回归模型 ??????????????????????????????????????????????????????????????????????????????????????????????????????????????? * 第2.4节 数 据 处 理 1.列表法 3.逐差法 4.最小二乘法 2.作图法 通过测量温度t和在温度t下铜的电阻Rt来测量铜的电阻温度系数，得到t与Rt的数据列表如下： 表中数据均为有效数字 一、列表法 一、列表法 要求： ?要把原始数据和必要的 运算过程中的中间结果