高级生物统计021分析.pptVIP

第一节 多元线性回归(Multiple linear regression) 任务：研究一个依变量与多个自变量间的线性关系： 如农作物产量与产量构成因素：穗数、粒数、粒重的关系，病虫害的发生期与生态因素：温度、湿度、雨量的关系。 一、多元线性回归方程的建立 (一) 数学模型 设 y 与x1、x2、…、xm间存在线性关系 y =α+β1x1+β2x2+…+βmxm+ε x1、x2、…、xm—可以观测的一般变量或随机变量； y — 可以观测的随机变量； ε—随机变量，相互独立，且都服从N(0,σ2)。 (一) 建立多元线性回归方程 设变量 x1、 x2、 … 、xm (自变量)、y(依变量)有n 组观测数据，见下表， 假定依变量 y 与自变量x1，x2，…，xm间存在线性关系，则 y 与x1，x2，…，xm间的元线性回归方程为： 由 n 组实际观测数据，根据最小二乘法的原理确定元线性回归方程中的b0，b1，b2，…，bm，即b0，b1，b2，…，bm应使实际观测值与回归估计值的偏差平方和最小。 令 Q为关于b0，b1，b2，…，bm的m+1元函数。 根据微分学中多元函数求极值的方法，若使达到最小，应有 经整理得 由方程组（2-2）中的第一个方程可得 即 其中， 若记 并将 分别代入方程组（2-2）中的后m个方程，经整理可得到关于b1，b2，…，bm的正规方程组(normal equations)为： 解正规方程组（2-4）即可得b1，b2，…，bm ，而 于是得到元线性回归方程： m元线性回归方程的图形为m+1维空间的一个平面，称为回归平面(regression plane)；b0称为回归常数项(regression constant)，当x1=x2=… =xm=0时， 在有实际生物学意义时，b0表示y的起始值；bi (i=1,2,…,m) 称为依变量y对自变量xi的偏回归系数(partial regression coefficient)，表示除自变量xi以外的其余个自变量都固定不变时，自变量xi每变化1个单位，依变量y平均变化的单位数量，确切地说，当bi0时，自变量xi每增加1个单位，依变量y平均增加bi个单位；当bi0时，自变量xi每增加1个单位，依变量y平均减少bi个单位。 若将 代入(2-1)式，则得 (2-5)式也为 y 对x1、x2、…、xm的m元线性回归方程。 对于正规方程组（2-4），记 则正规方程组（2-4）可用矩阵(matrix)形式表示为 即 Ab＝B (2－7) 其中，A为正规方程组的系数矩阵(coefficient matrix)，b为偏回归系数列向量(column vector)，B为常数项列向量。 设系数矩阵A的逆矩阵(inverse matrix)为C矩阵，即A-1＝C，则 其中，C矩阵的元素cij(i、j=1,2,…,m)称为高斯乘数(Gauss multiplier)，是多元线性回归分析中显著性检验与进一步统计分析所需要的。 例如，设依变量 y 与自变量x1、x2间存在线性关系，共有n组实际观测数据，欲建立二元线性回归方程 。 先根据n组实际观测数据计算出 关于b1、b2的正规方程组为： 解正规方程组（2-9）得 ㈡ 多元线性回归方程的偏离度 离回归平方和 离回归均方 离回归标准误 离回归标准误 sy·12…m 的大小表示了回归平面与实测点的偏离程度的大小，即回归估计值 与实测值 y 偏离的程度的大小，于是我们把离回归标准误 sy·12…m 用来表示回归方程的偏离度。离回归标准误 sy·12…m 大，表示回归方程偏离度大，离回归标准误 sy·12…m小，表示回归方程偏离度小。 二、多元线性回归的显著性检验 ㈠ 多元线性回归关系的显著性检验 ㈡ 偏回归系数的显著性检验 ㈢ 自变量剔除与重新建立多元线性回归方程