回归分析课件讲述.ppt

(8)系数b的置信区间 (9)Y的观察值的点预测和预测区间 显然，Y0的点预测是无偏的。 定理3 由定理3， 三、可化为一元线性回归的实际问题 　　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 　　回归分析的任务—— 1、根据试验数据估计回归函数; 2、讨论回归函数中参数的点估计、区间估计; 3、对回归函数中的参数或者回归函数本身进 行假设检验; 4、利用回归函数进行预测与控制等等. 小 结 第二节　多元线性回归 一、多元线性回归的数学模型 二、数学模型的分析与求解 一、多元线性回归的数学模型 多元线性回归模型 数据： 响应变量y 因素 因素 因素 二、数学模型的分析与求解 （一）用最小二乘法估计参数. 达到最小. 化简可得 正规方程组 引入矩阵 正规方程组的矩阵形式 多元线性回归模型可以表达称矩阵形式： 最小二乘估计值 p 元经验线性回归方程 （二）回归方程是否有意义？ 1、回归方程的显著性检验。 即检验假设：所有的回归系数都为0， 即检验： 所用的检验统计量： 其中： 这里残差包括试验的随机误差和模型误差，模型误差是指重要回归自变量的遗漏，模型的非线性等。 因此检验统计量是把回归平方和与残差平方和相比较，当回归平方和相对试验误差较大时，我们就拒绝原假设，认为回归方程显著。 . 若经过检验，结论是接受原假设： 也就是说，和模型的各种误差比较起来，诸自变量对Y的影响是不重要的。有两种情况： 其一是模型的各种误差太大，因而即使回归自变量对Y有一定影响，但相比模型误差也不算大，这时候我们要想办法缩小试验误差。包括从分析问题的专业背景入手，检查是否漏掉了重要自变量或Y对某些回归自变量有非线性相依关系； 其二是回归自变量对Y的影响确实很小，这时候就放弃建立Y对诸自变量的线性回归。 2、回归系数的显著性检验。 回归方程的显著性检验是对线性回归 方程的一个整体性检验。如果检验的结果 是拒绝原假设，这意味着因变量Y线性的 依赖于 这个回归自变量的整体。但是这并不排除 Y并不依赖于其中某些自变量，即可能有某些系数 。 于是，在回归方程的显著性检验被拒绝 之后，还需要对自变量逐一做显著性检验，即对固定的 做如下检验： 回归系数B的最小二乘估计是： 可以证明在模型假设下： （三）参数区间估计和预测等内容与一元线性回归类似。 三、多项式回归 1、多项式回归方程式 多项式回归(polynomial regression)：当两个变数间的曲线关系很难确定时，可以使用多项式去逼近。 三次多项式的方程式为： 二次多项式，其方程为： 一元多项式方程的一般形式为： 2、多项式回归统计数的计算 可采用类似于多元线性回归的方法求解多项式回归的系数。 令 ， ， … ， ，上式可化为： 则其余过程与多元线性回归类似。 　　例如　下面给出了某种产品每件平均单价Y( 元)与批量x(件)之间的关系的一组数据 1.18 1.20 1.21 1.24 1.26 1.30 y 90 80 75 70 65 60 x 1.40 1.48 1.55 1.65 1.70 1.81 y 50 40 35 30 25 20 x 试用一元二次多项式进行回归分析. * 回 归 分 析 第一节　一元线性回归 一、回归分析的基本思想 二、一元线性回归的数学模型 一、回归分析的基本思想 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 年龄和血压 …… 相关关系 　　相关关系的特征是:变量之间的关系很难用一 种精确的方法表示出来. 确定性关系和相关关系的联系 　　由于存在测量误差等原因,确定性关系在实际 问题中往往通过相关关系表示出来;另一方面,当对 事物内部规律了解得更加深刻时,相关关系也有可 能转化为确定性关系. 　　回归分析——处理变量之间的相关关系的一 种数学方法,它是最常用的数理统计方法. 线　性回归分析 非线性回归分析 回 归 分 析 一元线性回归分析 多元线性回归分析 二、一元线性回归的数学模型 问题的分析 　 回归分析的任务—— (1)根据试验数据估计回归函数; (2)讨论回归函数中参数的点估计、区间估计; (3)对回归函数中的参数或者回归函数本身进行假设 检验; (4)利用回归函数进行预测与控制等等. 回归问题的一般提