气象统计方法第四章一元线性回归重点.pptVIP

气象统计方法;第四章 一元线性回归（huang28）;主要内容;1.概述 回归分析是用来寻找若干变量之间的统计联系一种方法，利用找到的统计关系对某一变量作出未来时刻的估计，称为预报值。包括线性回归和非线性回归，常用的线性回归。 ; 如：为了预报某地某月平均气温（预报量）未来时刻的变化，选择预报前期已发生的多个有关的气象要素（预报因子），利用回归分析方法分析多个预报因子和预报变量之间的相互关系，建立统计关系方程式，最后利用其对未来时刻的气温作出预报估计。;;2.基本概念 一元回归处理的是两个变量之间的关系，即一个预报量和一个预报因子之间的关系。;3.原理 一般来说，对样本量为n的预报量y与预报因子x的一组样本，如果认为y与x是一种线性统计关系，预报量的估计量与x有如下关系： （1） 或者写为一般的回归方程 ; a是截距，b是斜率。 对所有的 ，若 与 的偏差最小，就认为（1）所确定的直线能最好地代表所有实测点的散布规律。 为了消除偏差符号的影响，可以用偏差的平方来反映偏差的绝对值偏离情况。;;全部观测值与回归估计值的离差平方和记为 它刻画了全部观测值与回归直线偏离程度。 显然，Q值越小越好。a和b是待定系数，根据 微积分学中的极值原理，要求： ;满足上面关系的Q值最小。整理得到： 上式称为求回归系数的标准方程组。展 开：;回归系数也可直接表示为： ;距平形式的回归方程: 即当变量为距平时，回归方程可以不用求a,因为a=0,回归直线通过原点。 标准化距平形式的回归方程:;4.回归问题的方差分析 （1）意义 评价回归方程的优劣。 （2）预报量的方差可以表示成回归估计值 的方差（回归方差）和误差方差（残 差方差）之和。;即： 方差分析表明，预报量y的变化可以看成由前期 因子x的变化所引起的，同时加上随机因素e变化的 影响，这种前期因子x的变化影响可以归为一种简 单的线性关系，这部分关系的变化可以用回归方差 的大小来衡量。如果回归方差大，表明用线性关系 解释y与x的关系比较符合实际情况，回归模型比较 好。;有时候，两边同时乘以n变成各变量离差平方和的关 系。 U和Q分别称为回归平方和及残差平方和， 称为总 离差平方和。;1.总离差平方和( ) 反映因变量的 n 个观察值与其均值的总离差。 2.回归平方和(U） 反映自变量 x 的变化对因变量 y 取值变化的影响，或者说，是由于 x 与 y 之间的线性关系引起的 y 的取值变化，也称为可解释的平方和。 3.残差平方和(Q) 反映除 x 以外的其它因素对 y 取值的影响，也称为不可解释的平方和或剩余平方和。;;;;;;5. 相关系数与线性回归---- （1）因为回归方差不可能大于预报量的方差，可以用它们的比值来衡量方程的拟合效果。即： ;b代入上式得:;上式含义： 表明了预报因子x对预报量y方差的线性关系程度，这一比值又称为解释方差(方差贡献率)。 也可以说明相关系数的含义：它是衡量两个变量线性关系密切程度的量，又被称为回归方程的判决系数。;判决系数R2 (coefficient of determination);（2）回归系数b与相关系数之间的关系 r与b同号。 ;6. 回归方程的显著性检验 原假设回归系数b为0的条件下，上述统计量遵从分子自由度为1，分母自由度为（n-2）的F分布，若线性相关显著，则回归方差较大，因此统计量F也较大；反之，F较小。对给定的显著性水平 , 查表得到F临界值 ，如果 ,则拒绝原假设，认为线性相关显著。 ;上式还可以表示为： ;由于回归系数b已经知道，根据 计算出x和y的相关系数，然后可以求得F.;注意: 对于一元线性回归来说，因为F的相关系数表达式开方就是相关系数t检验的表达式,故回归方程的检验与相关系数的检验一致。 ;提出假设 H0：?1=0, 线性关系不显著 计算检验统计量F 确定显著性水平?，并根据分子自由度1和分母自由度n-2找出临界值F ? 作出决策：若F F ?,拒绝H0；若FF ?,不能拒绝H0 ;7.回归系数的显著性检验; 遵从自由度为n-2的t分布；或者根据F分布与t分布的关系有：; 上式与之前方差检验的公式完全一致，但 在检验单个变量在回归