纺织回归解决方案.ppt

* * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * 3.3 多元线性回归分析 （1）多元线性回归形式 试验指标（因变量）y与m个试验因素（自变量） xj（j=1,2,…,m） 多元线性回归方程： 3.3.1 多元线性回归方程的建立 偏回归系数： （2）回归系数的确定 根据最小二乘法原理 ：求偏差平方和最小时的回归系数 偏差平方和： 根据： 得到正规方程组，正规方程组的解即为回归系数。 3.3.2 多元线性回归方程显著性检验 （1） F检验法（方差分析） 总平方和： 回归平方和： 残差平方和： F服从自由度为（m，n－m－1）的分布 给定的显著性水平α下 ，若F＞Fα(m，n－m－1 )，则y与x1，x2，…，xm间有显著的线性关系 方差分析表： （2）相关系数检验法 复相关系数（multiple correlation coefficient）R ： 反映了一个变量y与多个变量（ x1，x2，…，xm ）之间线性相关程度 计算式 ： R＝1时，y与变量x1，x2，…，xm之间存在严格的线性关系 R≈0时，y与变量x1，x2，…，xm之间不存在线性相关关系 当0＜R＜1时，变量之间存在一定程度的线性相关关系 R＞Rmin时 ，y与x1，x2，…，xm之间存在密切的线性关系 R一般取正值 ，0≤R≤1 3.3.3 因素主次的判断 （1）偏回归系数的标准化 设偏回归系数bj的标准化回归系数为Pj： Pj越大，则对应的因素（xj）越重要 （2） 偏回归系数的显著性检验 计算每个偏回归系数的偏回归平方和SSj ： SSj＝bjLjy SSj的大小表示了因素xj对试验指标y影响程度，对应的自由度dfj＝1 服从自由度为（1，n－m－1）的F分布 如果若F＜ Fα(1，n－m－1 )， ，则说明xj对y的影响是不显著的，这时可将它从回归方程中去掉，变成（m－1）元线性方程 （3）偏回归系数的t检验 计算偏回归系数 的标准差： t值的计算 ： 单侧t分布表 检验： → 如果 说明xj对y的影响显著，否则影响不显著， 3.4.1 一元非线性回归分析 通过线性变换，将其转化为一元线性回归问题 ： 直角坐标中画出散点图； 推测y与x之间的函数关系； 线性变换； 用线性回归方法求出线性回归方程； 返回到原来的函数关系，得到要求的回归方程 3.4 非线性回归分析 第3章 试验数据的回归分析 3.1 基本概念 （1） 相互关系 ①确定性关系 ： 变量之间存在着严格的函数关系 ②相关关系 ： 变量之间近似存在某种函数关系 （2） 回归分析（regression analysis） 处理变量之间相关关系的统计方法 回归分析所能解决的问题 （1）确定几个特定变量之间是否存在相关关系，如果存在的话，找出它们之间合适的数学表达式； （2）根据一个或几个变量的值，预报或控制另一个变量的取值，并且要知道这种预报或控制的精确度； （3）进行因素分析，确定因素的主次以及因素之间的相互关系等等。 3.2 一元线性回归分析 一元线性回归分析，只要解决： （1）求变量x与y之间的回归直线方程 （2）判断变量x和y之间是否确为线性关系 （3）根据一个变量的值，预测或控制另一变量的取值 3.2.1 一元线性回归方程的建立 3.2.1 一元线性回归方程的建立 （1）最小二乘原理 设有一组试验数据 （如表），若x，y符合线性关系 x x1 x2 …… xn y y1 y2 …… yn 计算值 与试验值yi不一定相等 与yi之间的偏差称为残差： a，b——回归系数（regression?coefficient） ——回归值/拟合值，由xi代入回归方程计算出的y值。 一元线性回归方程 ： 残差平方和 ： 残差平方和最小时，回归方程与试验值的拟合程度最好 求残差平方和极小值： 正规方程组（normal?equation） ： 解正规方程组： 简算法： 3.2.2 一元线性回归效果的检验 （1）相关系数检验法 ①相关系数（correlation?coefficient） ： 描述变量x与y的线性相关程度 定义式： ②相关系数特点：