气象统计 回归分析1.pptVIP

* 第二章 回归分析 回归分析是目前气象统计分析中最为常用的一种方法。尤其在气象预报业务中为国内外台站所常用。例如目前国内外台站常用的 MOS（模式输出统计量）方法中，回归分析是最基本的方法之一。 回归分析是用来寻找若干变量之间统计联系关系的一种方法。利用所找到的统计关系对某一变量作出未来时刻的估计，称为预报值。例如，假如我们要预报某地某一月份的平均气温（习惯上称为预报量）。为了预报这个对象未来时刻的变化，我们选择预报量前期已发生的多个有关的气象要素或者其它地球物理要素（把它们称为预报因子）。 利用回归分析方法去分析多个预报因子与这个预报量之间的相互关系，建立它们统计关系的方程式，最后利用方程式对未来时刻的平均气温作出预报估计。 ENSO 时间演变 Time Evolutions 散点图 Scatter Plot 2.1 一元线性回归 [例1] 要预报北京3月下旬平均最低温度 Tm， 用环流指标 A (3月16—20日500 hPa 候平均图上沿 130oE，39o一40oN 的高度差)作为预报因子．为考察它们之间的统计关系，选取195l一1970年资料(见表2.1)． ** 为了更清楚表现它们的关系，还可以绘成变化曲线比较图(图2.1)及散布图(图2.2)． 从上图可见，点子的散布基本上围绕着一条直线。因此，可以认为 Tm与A 之间有线性变化趋势。 Regression—回归分析(Chapter 28) 回归的基本思想 回归分析的方法 回归的操作步骤 回归的选项和参数设定 应用举例 问题的提出：检测一个非独立变量（dependent,因变量）与一组独立变量（independent,自变量）之间的关系 (实验数据的曲线拟合) Y = f (a0,a1,a2…,am;x1,x2,…xm )+error(x1,x2,…xm ) dependent independent 1.回归的基本思想 回归关系的假定： y = f (c, x)+e , 线性或非线性 模型参数 c 的估计: 最小二乘法/极大似然法 回归效果的检验： TEST 置信区间的估计: 预报问题/关于e 的估计 2.回归分析的方法 1) 散点图 (Scatter) X Y * * * * * * * * * * X Y * * * * * * * * * * 根据散点图确定拟合的函数形式 3回归的操作步骤 对总体，假设有： 抽取样本容量为 n 的预报量 y 与预报因子 x 的一组样本，预报量对的估计量 y 与 x 有如下关系： 2）系数的求解 怎样才能找到一条对所有点的散布情况代表性最好的直线呢？ 经整理，得到求解 b0, b 的标准线性方程组: [例]:对表2.1中资料,算出 系数为负数，表明二者之间为负相关 回归问题的方差分析 回归平方和 U 残差平方和 Q 推导: 回归方差的大小,可表明回归模型的优劣 X Y * * * * * * * * * * ⊕ ⊕ 图解： 方差分析 相关系数与线性回归 拟合效果(解释方差) 3).回归方程显著性检验 就 y=?0 + ? x +e 给出原假设 H0（事件）: ? =0 (2) 构造与原假设 H0 有关的统计量，该统计量服从已知的 F--分布: F ( p, n-p-1 ) 分布, （例如：一元情况下 p=1, f1=1, f2 =n-2) (3) 根据样本值计算上述统计量的观测值 (4) 将计算值与查表得到的理论值进行比较，确定对H0 的接受与拒绝 小概率原理 概率比较 回归方程的显著性检验 例如对表2.1的资料所得的回归方程进行检验 回归系数的显著性检验 对回归方程的显著性检验，既可以总体进行，也可以通过对其中的回归系数进行检验。 上式表明，回归系数b的波动大小不仅与误差e的方差有关，而且还取决于观测数据中自变量X波动的程度。如果因子取值范围较大，则估计得到的回归系数b的波动就较小，估计就比较精确。 回归系数 b 的方差 回归系数的显著性检验 遵从自由度为n－2的t分布，式中Q为残差平方和. 统计量 遵从分子自由度为1，分母自由度为（n-2）的F分布。 回归平方和 在进行单个因子作用的检验时，常用下式进行： 给定 x0 ，则在给定的α 下， y0的置信区间为: 预报 4)置信区间的估计: 估计 多元线性回归 一种结果，多个原因 Y = f (a0,a1,a2…,am;x1,x2,…xm )+e 假设： 系数的最小二乘估计 Key Concept: 复相关系数 衡量一个变量（y