§8.3一元线性回归.pptVIP

§8.3 一元线性回归;变量间的关系可分为确定性和非确定性的两类.例如, 人的身高和体重的关系, 人的血压和年龄的关系, 某产品的广告投入与销售额之间的关系, 是有关联的, 但它们之间的关系又不能用普通函数表示. 称这类非确定性关系为相关关系. 而近似地表示它们之间的相关关系的函数被称为回归函数. ;最简单的情形是由两个变量组成的关系. 表示为 Y=f(x)但是, 由于两个变量之间不存在确定的函数关系, 因此必须把随机波动考虑进去, 就有 Y=f(x)+e其中Y是随机变量, x是普通变量, e是随机变量(称为随机误差).;回归分析就是根据已得的试验结果以及以往的经验来建立统计模型, 并研究变量间的相关关系, 建立起变量之间关系的近似表达式, 即经验公式, 并由此对相应的变量进行预测和控制等.本节主要介绍一元线性回归模型的估计, 检验以及相应的预测和控制等问题.;一, 引例为了研究某一化学反应过程中温度x对产品得率Y的影响. 测得数据如下:;温度xi;可见这些点大致散布在某一条直线附近, 即, 该化学反应过程中温度与产品得率之间大致成线性关系, 这些点与直线的偏离是由于测试过程中随机因素影响的结果, 故化学反应过程中产品得率与温度的数据可假设有如下的结构形式: yi=b0+b1xi+ei, i=1,2,…,10其中ei是测试误差, 它反映了变量之间的不确定关系.;二, 一元线性回归模型一般地, 当随机变量Y与普通变量x之间有线性关系时, 可设 Y=b0+b1x+e, (3.3)e~N(0,s2), 其中b0,b1为待定系数.设(x1,Y1),(x2,Y2),…,(xn,Yn)是取自总体(x,Y)的一组样本, 而(x1,y1),(x2,y2),…,(xn,yn)是该样本的观察值.;整理得;解正规方程组得;若记;(3.5)或(3.8)叫做b0,b1的最小二乘估计. 而;五, 回归方程的检验假设由线性回归模型Y=b0+b1x+e, e~N(0,s2)可知, 当b1=0时, 就认为Y与x之间不存在线性回归关系, 故需要检验如下假设: H0:b1=0, H1:b1?0.为了检验假设H0, 先分析样本观察值y1,y2,…,yn的差异, 可用总偏差平方和来度量, 记为;令;1. T-检验法令;2. F-检验法当H0为真时, 取统计量;3. 相关系数检验法令;八, 可化为一元线性回归的情形前面讨论了一元线性回归问题, 但在实???应用中, 有时会遇到更复杂的回归问题, 但其中有些情形, 可通过适当的变量替换化为一元线性回归问题来处理.;其中b0,b1,s2是与x无关的未知参数.令x=1/x, 则可化为下列一元线性回归模型: Y=b0+b1x+e, e~N(0,s2),;2. Y=aebx?e, lne~N(0,s2), (3.23)其中a,b,s2是与x无关的未知参数.在Y=aebx?e两边取对数得 lnY=lna+bx+lne令Y=lnY, b0=lna, b1=b, x=x, e=lne, 则(3.23)可转化为下列一元线性回归模型: Y=b0+b1x+e, e~N(0,s2),;3. Y=axb?e, lne~N(0,s2), (3.24)其中a,b,s2是与x无关的未知参数.在Y=axb?e两边取对数得 lnY=lna+blnx+lne令Y=lnY, b0=lna, b1=b, x=lnx, e=lne, 则(3.24)可转化为下列一元线性回归模型: Y=b0+b1x+e, e~N(0,s2), ;4. Y=a+bh(x)+e, e~N(0,s2), (3.25)其中a,b,s2是与x无关的未知参数. h(x)是x的已知函数, 令Y=Y, b0=a, b1=b, x=h(x), 则(3.25)式可化为 Y=b0+b1x+e, e~N(0,s2).