13第九章简单相关与回归.pptVIP

SSY n-1 总 MSR/MSE SSR/dfR SSE/dfE SSR SSE 1 n-2 回归 离回归 F MS SS 自由度 变异 列方差分析表： 例：以上题为例 根据10只绵羊的胸围（cm）和体重（kg）的资料，做回归方程的显著性检验。 一、H0:b=0，或者绵羊的胸围与体重之间不存 在线性回归关系。 HA:b≠0，或者绵羊的胸围与体重之间存在 线性回归关系。 * 9.2 简单回归 回归的现象： 生物的各性状之间以及性状与环境条件之间都有着一定的相互关系。改变某一性状，就会引起另一性状也发生变异。 例如：奶牛的产奶量越高，乳脂率反而减少。 猪、鸡的生长速度越快，肉质和风味下降。 母猪的体重越大，仔猪出生重越大。 回归分析： 研究一个变量对另一个变量的单向依存关系，即研究一个变量随另一个变量变化而变化。后一个变量叫自变量，前一个变量叫依变量或应变量。 一元线性回归的含义要点： （一）研究两个变量之间的回归关系。 （二）当一个变量数值增大时，另一个变量 数值也随着增大或减少。这种增大或 减少以坐标的形式来表示，散点图形 呈直线的趋势。 自变量x 因变量y 代表散点 回归在统计上表现现象之间的一种最严格的从属关系，是将非确定性变量之间的关系用确定的函数关系表达出来。 两变量的回归分析，如果两变量关系呈直线趋势，那么需要找出一条直线，建立回归方程来代表他们的线性关系，从而能从一个变量的变化来估测另一个变量的具体变化。 直线回归 配合回归方程 由x的变化估测 y的变化 9.2.1 一元线性回归的数学模型 如果变量X和变量Y之间存在线性函数关系，可用如下方程表示： 在线性回归关系中，对于X的每一个取值，Y的取值是不确定的。但是，我们假定有一个Y的期望值与之对应，或者说Y的期望值与X之间存在线性函数关系： 截距 βYX：下标的第一个为依变量；第二个为自变量 回归参数 自变量x 因变量y 当两个变量间存在直线回归关系时，其数据的散点在坐标图上趋近于一条直线。回归直线则是在一切直线中最接近所有散点的直线。 9.2.2 一元线性回归方程的建立 或者说，这条直线来代表两个变量的关系，与实际数据的误差比任何其他直线都要小，即它是一条对各散点配合的最好直线。 为了找到这样一条直线，配合的最好方法是“最小二乘法” 自变量x 因变量y “最小二乘法”配合的回归直线，要求符合下述一些条件： 即要求所配合的直线上方各点与直线的距离和，同直线下方各点与直线的距离和相等。 距离：指实际y与由直线方程所估测的 P1 P3 P2 P4 代表实际Yi值 （1） （2） 即要求各点实际y值与回归直线所估测的 值之间离差的平方和最小，或者说从 估计Y值的误差最小。 （3）直线能代表一般情况 即直线要通过 两直线的交点。 如何求a和b? 任何一条直线都能用 表示，因此只要确定了a和b，就可决定直线的位置。 那么如何求a和b呢? 利用 所以称为“最小二乘方法” 解上述方程组得： 得直线回归方程： 由X估测Y 样本回归系数 (1) a为截距，即X=0 时的Y 值。 (2) b为斜率，在统计学中称为样本回归系数。 (3) b为正值，则X增大，Y也随之增大； (4) b为负值，则X增大，Y却随之减少。 (5) b=0，X与Y不存在线性关系。 . 回归系数的计算公式： 例：根据10只绵羊的胸围（cm）和体重（kg）的资料，配合由胸围估计体重的回归方程。 123 618 104 -20 20 总和 40 0 0 -5 -1 2 3 12 30 42 400 100 4 25 1 4 1 9 25 49 4 0 0 1 1 1 9 16 36 36 -20 -10 -2 -5 -1 2 1 3 5 7 -2 0 0 1 1 1 3 4 6 6 50 60 68 65 69 72 71 73 75 77 68 70 70 71 71 71 73 74 76 76 x’y’ y’2 x’2 y’= Y-70 x’= x-70 体重 y 胸围 x 得回归方程： 回归系数是有单位的，是依变量单位与自