分析阶段-2要素.ppt

2.3回归系数的估计及检验 参数估计是通过最小二乘法得出的,因此也是随机变量。 Std Error是最小二乘法得到的估计量的标准差. 考虑假设检验问题: t Ratio列包含了模型的两个参数的检验 t 统计量 Prob|t|如小于0.05，则此参数确实不为0，否则此参数为0。 2.3回归系数的估计及检验 例1。求温度与产量间回归方程. 从STAT-Regression- Regression入口 Predictor Coef SE Coef T P Constant 60.000 9.226 6.50 0.000 x 5.0000 0.5803 8.62 0.000 T= 6.50 p= 0.000 拒绝 ，即 即温度的效应是显著的. 2.4 预测值及其置信区间 例1。求温度与产量间回归方程 2.4预测值及其置信区间 第一个置信区间是由于参数估计的不确定性导致的回归方程本身的波动范围。称为（Confidence Limit），简记为 95.0% CI 第二个置信区间是由于观测值偏离回归方程中心而导致的观测值的波动范围。称为（Prediction Limit），简记为 95.0% PI STAT-Regression-Regression入口后， 在Option中指定自变量值， 要求输出：拟合值（Fit）， 拟合值处的标准差（SE of Fit）， 95%置信限（Confidence Limit） 95%预测限（Prediction Limit） 可得如下结果： 2.4预测值及其置信区间 例1。求温度与产量间回归方程.当温度为18度 时, 产量的预测值。 Predicted Values for New Observations NewObs Fit SE Fit 95% CI 95% PI 1 150.00 4.95 (138.58, 161.42) (116.13, 183.87) Values of Predictors for New Observations NewObs x 1 18.0 预测值为 150 ( Kg) 理论上讲：这样温度的产量平均值应在（138.58，161.42) 之间 (95%把握). 真正以此温度生产一次,其产量应在(116.13,183.87)之间 (95%把握). 6.1.3.2 回归分析要点 3。残差分析 1）残差vs观测值顺序：重点考查是否有趋势 2）残差vs相应变量预测值： 重点考查是否有非齐性（喇叭口状） 3）残差的正态性 4）残差vs自变量值 重点考查是否有弯曲 为什么需要进行残差分析 F.J.Anscombe于1973年发表论文指出：回归方程一般统计分析（显著性检验，回归系数显著性检验）后，还要进行残差分析 发现回归方程大体相同：y=3+0.5x; R-sq=66.7%; R-sq(adj)=62.9%; s=1.24 数据对应的变量之间的关系具有很大的差异 REG—残差分析 3 残差分析(残差分析的必要性) 分别计算中的4组数据之回归方程. 3.0残差分析的必要性 发现残差分析的必要性 上述 4个例题 方程完全相同 相关系数完全相同: R-sq=0.67 均方误MSE完全相同: s = 1.24 但实际状况却完全不同! 必须进行残差分析以了解具体状况! 3.1 残差分析概念 残差分析能诊断以下潜在问题： 1、实际数据与回归模型的假定有哪些违背之处？ 2、实际数据与假定的预测模型间有哪些失拟之处？ 3、实际数据中含有异常点吗？ 模型假定： 对简单线性模型和因子设计模型分析而言，残差必须满足假定： 1、具有时间独立性。 2、来自稳定受控的总体。 3、对输入因子的所有水平有相等的总体方差。 4、符合正态分布。 3.2 残差诊断方法（非正常残差） 正常残差 纵轴：res；横轴：时间， ，自变量均可。 残差诊断方法 为了进行残差诊断