第10章 统计回归模型解析.ppt

总结： 1. 根据已知数据，分析决定取哪几个回归变量及函数形式（线性、二次的）； 2. 用Matlab求解并作统计分析，检验回归变量对因变量是否显著； 3. 否则改进模型，如添二次项、交互项等。 练习：p365 习题1 线性化模型结果分析 x较大时，y有较大偏差 1/x较小时有很好的线性趋势，1/x较大时出现很大的起落 参数估计时，x较小（1/x很大）的数据控制了回归参数的确定 1/y 1/x x y [beta,R,J] = nlinfit (x,y,’model’,beta0) beta的置信区间 MATLAB 统计工具箱 输入 x~自变量数据矩阵 y ~因变量数据向量 beta ~参数的估计值R ~残差，J ~估计预测误差的Jacobi矩阵 model ~模型的函数M文件名 beta0 ~给定的参数初值 输出 betaci =nlparci(beta,R,J) 非线性模型参数估计 function y=f1(beta, x) y=beta(1)*x./(beta(2)+x); x= ; y= ; beta0=[195.8027 0.04841]; [beta,R,J]=nlinfit(x,y,’f1’,beta0); betaci=nlparci(beta,R,J); beta, betaci beta0~线性化模型估计结果 非线性模型结果分析 参数 参数估计值 置信区间 ?1 212.6819 [197.2029 228.1609] ?2 0.0641 [0.0457 0.0826 ] 画面左下方的Export 输出其它统计结果。 拖动画面的十字线，得 y的预测值和预测区间 剩余标准差s= 10.9337 最终反应速度为 半速度点(达到最终速度一半时的x值 )为 其它输出 命令nlintool 给出交互画面 o ~原始数据 + ~ 拟合结果 混合反应模型 x1为底物浓度， x2为一示性变量 x2=1表示经过处理，x2=0表示未经处理 β1是未经处理的最终反应速度 γ1是经处理后最终反应速度的增长值 β2是未经处理的反应的半速度点 γ2是经处理后反应的半速度点的增长值 在同一模型中考虑嘌呤霉素处理的影响 o ~原始数据 + ~拟合结果 混合模型求解 用nlinfit 和 nlintool命令 估计结果和预测 剩余标准差s= 10.4000 参数 参数估计值 置信区间 ?1 160.2802 [145.8466 174.7137] ?2 0.0477 [0.0304 0.0650 ] ?1 52.4035 [32.4130 72.3941 ] ?2 0.0164 [-0.0075 0.0403] ?2置信区间包含零点，表明?2对因变量y的影响不显著 参数初值 (基于对数据的分析) 经嘌呤霉素处理的作用不影响半速度点参数 未经处理 经处理 o ~原始数据 + ~拟合结果 未经处理 经处理 简化的混合模型 简化的混合模型形式简单，参数置信区间不含零点 剩余标准差 s = 10.585110.4，比一般混合模型略大 估计结果和预测 参数 参数估计值 置信区间 ?1 166.6025 [154.4886 178.7164] ?2 0.0580 [0.0456 0.0703 ] ?1 42.0252 [28.9419 55.1085] 一般混合模型与简化混合模型预测比较 实际值 一般模型预测值 Δ(一般模型） 简化模型预测值 Δ(简化模型） 67 47.3443 9.2078 42.7358 5.4446 51 47.3443 9.2078 42.7358 5.4446 84 89.2856 9.5710 84.7356 7.0478 … … … … … 191 190.8329 9.1484 189.0574 8.8438 201 190.8329 9.1484 189.0574 8.8438 207 200.9688 11.0447 198.1837 10.1812 200 200.9688 11.0447 198.1837 10.1812 简化混合模型的预测区间较短，更为实用、有效 预测区间为预测值 ? Δ 注：非线性模型拟合程度的评价无法直接利用线性模型的方法，但R2 与剩余标准差s仍然有效。 酶促反应 反应速度与底物浓度的关系 非线性关系 求解线性模型 求解非线性模型 机理分析 嘌呤霉素处理对反应速度与底物浓度关系的影响 混合模型 发现问题（误差扰动），得参数初值 引入0-1变量 简化模型 检