第九章回归分析课件.pptVIP

第八章 回归分析 从散点图可以看出,随着自变量x的增加,因变量y也呈现上 升的趋势,图中的点大致分布在一条向右方倾斜的直线附近,因 而可以用一条直线方程来近似的逼近 即 yi=b0+b1xi+ei i=1 , 2, … , n 其中ei ~N(0 ,s 2), ei 是相互独立的随机变量序列且它们的方差 相同(方差齐性),称为回归直线(方程). 对于一元线性回归模型，我们要解决以下问题： (1)参数估计:给出参数b0 , b1 , s 2 的估计值. (2)显著性检验:检验线性函数 yi=b0+b1xi 用来描述因变量 y 与自变量 x 的关系是否合适,包括回归模型的显著性检验和 参数的显著性检验. (3)模型检查:检查对模型所做的假设是否成立,包括 ei 是相互独 立的随机变量序列的检查和方差齐性的检查. (4)预测或控制. 对b0 , b1的估计实际上就是在平面直角坐标系中估计一条直线 称观测值与理论值的差 为残差.以上用数学方法对参 数 进行估计的方法,称为最小二乘估计法. SAS程序直接调用reg过程.一般格式如下： poc reg data=数据集名称； model 因变量集=自变量集; (如model y=x;) 三 一元线性回归模型的检验 1．方差分析与F检验 1）统计假设 原假设 备择假设 2）平方和与自由度分解 即总平方和分解为误差平方和与回归平方和,同时总自由度也 分解为误差自由度加上回归自由度,即 3）F—统计量 若 ,则拒绝 接受 说明用函数 来描述因变量 y与自变量 x 的关系是 合适的,即回归模型是显著性的。 4）方差分析表 3．t —检验 2.方差齐性的诊断及修正方法 在许多回归分析中,所利用的数据是按时间顺序采集的,即 时间序列数据,用yt表示y在时刻t的值,而y的值又常常依赖于y 在以前时刻的值.此时,称数据存在自相关(序列相关),从而违 背了回归模型的假设,误差项 已不再是独立的. 在许多实际问题中,因变量与自变量的关系不一定都是线性 的,它们之间可能存在某种复杂的非线性关系,表现为散点图上 的点围绕某条曲线波动,常见的非线性函数有: 对回归方程选择一种合适的函数形式,必须对散点图进行认 真的分析.有时,对同一种散点图所呈现的因变量与自变量的关 系,可以选择不同的函数形式来描述回归方程,那么如何判断并 比较不同回归方程的拟合优度呢?通常使用的比较准则. 有下面两个: 2.剩余标准差S 它反映了样本偏离回归曲线的平均大小,当然S越小越好. 事实上,上述两个准则是一致的.R越大,则S越小,反之也然. 例1 以下为一组观测值 1) 绘制y对x的散点图 2) 假定y与x的关系为(1)双曲线1/y=a+b/x (2)对数曲线函数y=a+blnx (3)负指数函数y=ae-b/x (4)幂函数 试作变量变换化非线性回归为线性回归,并建立回归方程. data han2; input x y@@; z1=1/y; t1=1/x; t2=log(x); z2=log(y); t3=-1/x; t4=sqrt(x); cards; 2 106.42 3 108.20 4 109.58 5 109.50 7 110.00 8 109.93 10 110.49 11 110.59 14 110.60 15 110.90 16 110.76 18 110.00 19 111.20 ; proc gplot data=han2; plot y*x=’*’; proc reg data=han2; model z1=t1; proc reg data=han2; model y=t2; proc reg data=han2; model z2=t3; proc reg data=han2; model y=t4; run; 因变量y关于自变量x的散点图: 主要的输出结果: 模型1 双曲线函数 作变换 z1=1/y t1=1/x Model: MODE