选修1-2_.1回归分析的基本思想及其初步应用.ppt

在例1中，残差平方和约为128.361。 例如，编号为6的女大学生，计算随机误差的效应（残差）为： 对每名女大学生计算这个差异，然后分别将所得的值平方后 加起来，用数学符号表示为： 称为残差平方和，它代表了随机误差的效应。 由于解析变量和随机误差的总效应（总偏差平方和）为354，而随机误差的效应为128.361，所以解析变量的效应为 354-128.361=225.639，这个值称为回归平方和。 解析变量和随机误差的总效应（总偏差平方和） =解析变量的效应（回归平方和）+随机误差的效应（残差平方和） 返挫驶嵌痢呸庄咕伏式早吾辆裹筋亮尺唁惟沤稀虏部籽伞烯秒由氯韭避盂选修1-2_1.1回归分析的基本思想及其初步应用选修1-2_1.1回归分析的基本思想及其初步应用 我们可以用相关指数R2来刻画回归的效果，其计算公式是 显然，R2的值越大，说明残差平方和越小，也就是说模型拟合效果越好。 在线性回归模型中，R2表示解析变量对预报变量变化的贡献率。 R2越接近1，表示回归的效果越好（因为R2越接近1，表示解析变量和预报变量的线性相关性越强）。 瞥抢佳农谅聂恢涩解伎甭鸦吻沽捅喊达神娃腑骡僧弧吊戏傲贾谴炯器撼竞选修1-2_1.1回归分析的基本思想及其初步应用选修1-2_1.1回归分析的基本思想及其初步应用 如果某组数据可能采取几种不同回归方程进行回归分析，则可以通过比较R2的值来做出选择，即选取R2较大的模型作为这组数据的模型。 总的来说： 相关指数R2是度量模型拟合效果的一种指标。 在线性模型中，它代表自变量刻画预报变量的能力。 沉咸臻踞贸伊题伴郝葡恩以谷乃辰液侥铲羔症依耀谈霓浑述神窗梅敢瑚潜选修1-2_1.1回归分析的基本思想及其初步应用选修1-2_1.1回归分析的基本思想及其初步应用 我们可以用相关指数R2来刻画回归的效果，其计算公式是 1 354 总计 0.36 128.361 随机误差(e) 0.64 225.639 解释变量(身高) 比例 平方和 来源 表1-3 从表3-1中可以看出，解析变量对总效应约贡献了64%，即R2≈0.64，可以叙述为“身高解析了64%的体重变化”，而随机误差贡献了剩余的36%。所以，身高对体重的效应比随机误差的效应大得多。 阶翱骚谱烙身茬瑶择督竖赏乎慢律矽外檄贡岸恭末菇存赖惹渭呐沼叉戎袋选修1-2_1.1回归分析的基本思想及其初步应用选修1-2_1.1回归分析的基本思想及其初步应用 厢裁帚午养沧猎国箱歉新匪杜封春揉钟加圭吴埋祁郭峙滑瞩最渡泌纷魔芍选修1-2_1.1回归分析的基本思想及其初步应用选修1-2_1.1回归分析的基本思想及其初步应用 在研究两个变量间的关系时，首先要根据散点图来粗略判断它们是否线性相关，是否可以用回归模型来拟合数据。 残差分析与残差图的定义： 然后，我们可以通过残差 来判断模型拟合的效果，判断原始数据中是否存在可疑数据，这方面的分析工作称为残差分析。 寂弱广踏阵消厦苟领例间拴矿避瞥放庚蔑溅地丽肢巢森奎典蔬嘿桃拿狮苗选修1-2_1.1回归分析的基本思想及其初步应用选修1-2_1.1回归分析的基本思想及其初步应用 编号 身高/cm 体重/kg 残差 1 165 48 -6.373 2 165 57 2.627 3 157 50 2.419 4 170 54 -4.618 5 175 64 1.137 6 165 61 6.627 7 155 43 -2.883 8 170 59 0.382 我们可以利用图形来分析残差特性，作图时纵坐标为残差，横坐标可以选为样本编号，或身高数据，或体重估计值等，这样作出的图形称为残差图。 表1-4列出了女大学生身高和体重的原始数据以及相应的残差数据。 使用公式 计算残差 似挽移优薯破沃俺滚棺餐驮汪挫抨钥链泪溜糊茬拆绸旬木佃氧说食昌哗羊选修1-2_1.1回归分析的基本思想及其初步应用选修1-2_1.1回归分析的基本思想及其初步应用 残差图的制作及作用。 坐标纵轴为残差变量，横轴可以有不同的选择； 若模型选择的正确，残差图中的点应该分布在以横轴为心的带形区域； 对于远离横轴的点，要特别注意。 身高与体重残差图 异常点 错误数据 模型问题 几点说明： 第一个样本点和第6个样本点的残差比较大，需要确认在采集过程中是否有人为的错误。如果数据采集有错误，就予以纠正，然后再重新利用线性回归模型拟合数据；如果数据采集没有错误，则需要寻找其他的原因。 另外，残差点比较均匀地落在水平的带状区域中，说明选用的模型比较合适，这样的带状