11-12一般线性相关分析和多元回归分析.pptVIP

Simple Linear Regression一般线线性回归分析;一元线性回归;最小二乘法;最小二乘法; 例1;Minitab Stat ? Regression ? Regression;Regression Analysis: Oxygen purity % versus Hydrocarbon % The regression equation is Oxygen purity % = 74.3 + 14.9 Hydrocarbon % Predictor Coef SE Coef T P Constant 74.283 1.593 46.62 0.000 Hydrocar 14.947 1.317 11.35 0.000 S = 1.087 R-Sq = 87.7% R-Sq(adj) = 87.1% Analysis of Variance Source DF SS MS F P Regression 1 152.13 152.13 128.86 0.000 Residual Error 18 21.25 1.18 Total 19 173.38;R2 = 1表示回归等式与抽样数据完全吻合; 线性回归方差分析表 Source DF Sum of Square (SS) Mean Square (MS) Regression 1 SSR = ?i (Yi – Y )2 SSR ÷ 1 Error n-2 SSE = ?i (Yi – Yi )2 SSE ÷ (n-2) Total n-1 SST = ?i (Yi – Y )2 F* = MSR ÷ MSE vs F(1 , n-2)-distribution ;R2 = 87.7%;Minitab Stat ? Regression ? Fitted Line Plot;Example 1B: Fitted Line Plot例1B：拟合线图;例2：残差分析;例2：Minitab的残差图表;例2：Minitab的四合一图;Confidence Interval 置信区间(CI) 对于一个给出的 X，Y的平均值的分布区间 。该区间在X=X处最窄； X 值离 X 越远其区间宽度越大。 Prediction Interval 预测区间 (PI) 对于与一个给出的X值相应的个别的Y值的区间。由于其应用个体值，该区间比置信区间宽。; 例 ２;Minitab 例 2;例2： Minitab的 CI PI 图;利用回归模型进行预测;例4： 预测;Example 4: Predictions 例4： 预测;例4： Minitab 输出;具有影响的数据点;这些现象并不一定是坏现象，因此你不一定要删除他们。;具有影响的数据可由于下列原因而被删除： 测量误差 数据输入误差 违反物理定律;具有影响的数据现象：界外点;具有影响的数据现象：杠杆点;; 界外点的处理方法;界外点的处理方法; 例 5;Multiple Regression Analysis多元回归分析;多项式回归;多项式回归模型 是带有更高次方因变量的一般线性回归模型的另外一种形式。 对于多项式模型是否适合于分析响应变量的变异，“残差与拟合值”和“残差与因变量”图可以提供提示; 例 1;例 1A.一次模型;Minitab: Stat ? Regression ? Fitted Line Plot;Example 1B, Quadratic Model 例 1B, 二次模型;Example 1C, Cubic Model 例 1C, 三次模型;多项式回归是否产生更好的拟合？;为了比较高次方模型是否会提供较佳的拟合，可以做如下两种其它比较方法： a) 调节测定系数 (R2调节) b) 估计值的标准误;Adjusted-R2 R2调节 ;Adjusted-R2 R2调节 ;估计值的标准误;;Multiple Linear Regression多元线性回归;一般线性回归;Multiple Regression多元回归 ; The data in Multi Reg-1 数据在Multi Reg.mtw