第4章 回归分析.pptVIP

4.1 基本概念 （1） 相互关系 确定性关系：变量之间存在着严格的函数关系，当一个或几个变量取一定值时，另一个变量有确定值与之相对应。 相关关系：变量之间近似存在某种函数关系，当一个或几个相互关系的变量取一定值时，与之对应的另一个变量的数值虽然不确定，但它仍按某种规律在一定范围内变化。相关关系是一种统计关系，具有一定的周期性。 变量之间的确定性关系和相关关系，在一定条件下是可以相互转换的。 （2） 回归分析（regression analysis） 处理变量之间相关关系最常用的统计方法，可以寻找隐藏在随机性后面的统计规律。回归分析的主要内容： 确定回归方程：变量之间近似的函数关系式 检验回归方程的显著性 试验结果预测 回归分析的分类： 一元回归分析：研究一个因素与试验指标间相关关系 多元回归分析：研究几个因素与试验指标间相关关系 4.2 一元线性回归分析 / 直线拟合4.2.1 一元线性回归方程的建立 直线回归的一般数学模型 4.2.2 一元线性回归效果的检验 无重复数据的直线回归显著性检验 方程显著性检验 回归系数检验 有重复数据的直线回归显著性检验 失拟检验 方程显著性检验 回归系数检验 1.无重复数据直线回归方程检验 1）方程显著性检验 回归平方和与剩余平方和的计算: 经计算，对于例1的方程而言， 因此，所求得的回归方程是极显著的（P0.01） 2）系数b的显著性检验 3）系数b0的显著性检验 对例1 因而，b0是显著的（P0.01），也就是说，回归直线不通过原点。 2.有重复数据的直线回归检验 1）回归直线建立 有重复回归试验结果的数据表结构如下： 回归方程计算时，从无重复数据情况导出的公式仍然有效。即 但此时，虽然lxx、lyy、lxy的定义没有变化，但它的计算过程有点区别。 采用计算机处理时，可将每个重复数据单独当作一组数据输入 例4－2 下表是某试验中观察到的12个观察值，其中每个xi重复观察了2次。求y关于x的回归方程。 调用EXCEL 2）失拟检验和方程显著性检验 有重复数据的回归资料，通过重复的试验点可以估计误差。因此，可以lyy分解成三部分（将误差从剩余平方和中分离出来）： U为回归平方和，即x能控制的部分，自由度为fU=1; Qe为误差平方和，其自由度为fe=km-k=k(m-1) QLf为失拟平方和，它是由于模型选择不当而产生的估计值与实际值的差异。其自由度为 fLf=fT -fU - fe=[n+k(m-1)-1]-1-k(m-1)=n-2 各种平方和的计算 失拟检验 方程显著性检验 对例2而言， 失拟检验和方程显著性检验的几种可能情形： F显著，FLf也显著------回归方程可用，但另有更合适的模型 F不显著，FLf显著------回归直线不可用，需另外寻找更合适的模型进行回归分析 F显著，FLf不显著------回归模型合适，回归方程可用 F不显著，FLf不显著------计算错误 3）b0的显著性检验 检验结果表明，b0不显著。也就是说，回归直线应该通过原点，它的回归结果没有通过原点是由于误差造成的。 既然回归直线应该通过原点，则应该重新计算回归方程。 对例2重新计算，得回归方程为 有时候需要检验回归直线是否过定点(c，d)的问题。处理这样的问题时，可以先把所有观察点(xi，yi)变为(xi-c，yi-d)，再求回归方程 对上面的方程进行直线是否过原点的检验，就相当于对方程y=b0+bx作通过顶点(c，d)的检验。 (2) 相关系数特点： －1≤r≤1 r＝±1：x 与 y 完全线性相关，即有精确的线性关系 大多数情况下， ，x 与 y 之间存在一定的线性关系； r 0：x与 y 负线性相关,直线斜率为负值，y 随 x 的增大而减小； r0：x与 y 正线性相关,直线斜率为正值，y 随 x 的增大而增大； r≈0：x 与 y 没有线性关系 ，但可能存在其它类型的关系； 相关系数 r 越接近1，x 与 y 的线性相关程度越高，然而 r 值达到多大时 ， x 与 y 之间存在线性相关，采用线性关系合理，须对 r 进行显著性检验； 试验次数越少 ， r 越接近1。 ③ 相关系数检验 对给定的显著性水平α，查相关系数临界值rmin 当 ，说明 x 与 y 之间存在显著的线性关系 4.3 可化为线性的非线性回归 一些常用的简单非线性关系，可以通过变量代换，转变成线性变换进行回归分析。得出直线回归方程后，再进行逆代换即可得出非线性