数理统计-线性回归.pptVIP

第4章 回归分析 ?4.1 一元线性回归分析 ?4.2 多元线性回归分析 回归分析的基本思想 变量之间的关系 1.函数关系：变量之间依一定的函数形成的一一对应关系，若两个变量分别记做Y与X，则当Y与X之间存在函数关系时，X值一旦被指定，Y值就是唯一确定的。如圆的面积与其半径之间的关系. 2.统计相关关系：变量之间存在某种关系，但变量Y并不是由变量X唯一确定的，它们之间没有严格的一一对应关系。两个变量间的这种关系就是统计关系，亦称相关关系。例如:小麦的产量Y与施肥量x1,品种x2等存在关系,但给定x1,x2的数值后Y的值还是无法确定的. ?4.1 一元线性回归分析 可化为一元线性回归的问题 小　　结 ?4.2 多元线性回归分析 附：MATLAB中回归分析的实现 显著性检验： 参数估计： 预测： 控制： 　　方法——通过适当的变量变换,化成一元线性 回归问题进行分析处理. 两边取对数 两边取对数 曲线回归方程 例７ 表 9.18 是 1957 年美国旧轿车价格的调查资料,今以 x 表示轿车的使用年数, Y 表示相应的平均价格(以美元计), 求 Y 关于 x 的回归方程 . 表　9.18 年数x 价格Y 1 2 3 4 5 6 7 8 9 10 2651 1943 1494 1087 765 538 484 290 226 204 在MATLAB中求解 首先作散点图 x=1:1:10; y=[2651,1943,1494,1087,765,538,484,290,226,204]; plot(x,y,.r) 选择模型 变量变换 数据变换 xx=x;yy=log(y); 求回归方程 polytool(xx,yy,1) 线性假设的显著性检验 线性回归效果高度显著. 代回原变量,得曲线回归方程 1.回归分析的任务 2.一元线性回归的步骤 3.可化为一元线性回归的问题 研究变量之间的相关关系 (1) 推测回归函数; (2) 建立回归模型; (3) 估计未知参数; (4) 进行假设检验; (5) 预测与控制. 关键:选择适当的变量代换. 多元线性回归模型 多元线性回归的参数估计、线性相关性的检验以及预测控制等问题都可采用一元线性回归类似的方法求解。 化简可得 参数估计： 达到最小. 使误差平方和 正规方程组 最大似然估计值 P元经验线性回归方程 正规方程组的矩阵形式 残差平方和 估计量的性质： 离差平方和 回归平方和 F检验法: 线性相关性的显著性检验： 多元线性回归 　　1.确定回归系数的点估计值,用命令: 　　　b=regress(Y,X) 　　2.求回归系数的点估计和区间估计,并检验回 归模型,用命令: 　　　[b,bint,r,rint,stats]=regress(Y,X,alpha) 　　3.画出残差及其置信区间,用命令: 　　　rcoplot(r,rint) 符号说明 (1) (2) alpha为显著性水平, 默认为 0.05; (3) bint为回归系数的区间估计; (4) r与rint分别为残差及其置信区间; 　　(5) stats 是用于检验回归模型的统计量, 有三个 数值, 第一个是相关系数 r2, 其值越接近于 1, 说明回 归方程越显著; 第二个是 F 值, FF1-alpha(p,n-p-1) 时 拒绝 H0, F 越大, 说明回归方程越显著; 第三个是与 F对应的概率 p, palpha 时拒绝, 回归模型成立. 102 100 99 98 96 97 98 96 腿长 164 162 160 159 158 157 156 155 身高 95 93 93 92 91 88 85 88 腿长 154 153 150 149 147 146 145 143 身高 例1　测得16名女子的身高和腿长如下(单位:cm): 试研究这些数据之间的关系. 输入数据 x=[143,145,146,147,149,150,153,154,155,156,157, 158,159,160,162,164]’; X=[ones(16,1),x]; Y=[88,85,88,91,92,93,93,95,96,98,97,96,98,99,100, 102]’; 回归分析及检验 [b,bint,r,rint,stats]=regress(Y,X); b,bint,stats 残差分析 rcoplot(r,rint) 预测及作图 z=b(1)+b(2)*x plot(x,Y,’k+’,x,z,’r’) 数据比较 残差图形 预测图形 数据比较 帮　　助 程序运行结果 * * 变量之间的关系 确定性关系 相关关系 确定性关系 身高和体重 相关关系 　　相关关系的特征