(实验数据)9回归分析 .pptx

第9章 回归分析;第9章 回归分析;变量之间的关系： 9.1.1 确定性关系（函数关系） 函数关系，经反复的精确试验或严格的数学推导得到。如 S= v﹒t 。数学分析和物理学中的大多数公式属于这种类型。; 实际问题中，绝大多数情况下，变量之间的关系不那么简单。如材料的性能与其化学成份之间等等。 这些变量之间既存在着密切的关系，又不能由一个（或几个）变量（自变量）的数值精确地求出另一个变量（因变量）的数值，而是要通过试验和调查研究，才能确定它们之间的关系，如图9.1所示，虽然各组数据不是准确地服从f(x)关系，但y值总还是随x的增加而增加。我们称这类变量之间的关系为相关关系。 ;; 虽然各组数据不是准确地服从f(x)关系，但y值总还是随x的增加而变化。;例如，炼钢厂在冶炼当中，成品含碳量和冶炼时间这两个变量之间，就不存在确定性的关系，对于含碳量相同的钢，冶炼时间却不相同． 再如，人的年龄与血压之间，要找出一个确定性的关系也是很困难的． 然而，这些变量之间还是有着密切的关系的，虽然各组数据不是准确地服从f(x)关系，但y值总还是随着x值的增加而变化．这种关系称为统计关系 .;回归分析与相关分析;1．回归与相关的关系;回归分析的主要内容： 应用数学的方法，对大量的测量数据进行处理，从而得出比较符合事物内部规律的数学表达式.;（9-1）; 同时测量 x ，y 的数值，设有 m 对观测结果：; 式（9—3）中的 x 变化时，y 也随之变化。如果 m 对观测值中有比较多的 y 值落到曲线（9—1）上，则所得曲线就能较为满意地反映被测物理量之间的关系，y 值同时出现的概率最大，则曲线（9—3）就是曲线（9—1）的最佳形式。如图9.1a所示。如果误差服从正态分布，则概率 P(e1, e2, …, em)为： ;图9.1a; 这里假定 xi 无误差。式（9—7）可以写成：;9.3 直线的回归; 与 x 的关系大致呈直线关系，但并不是确定性的关系，而是一种相关关系：;其平方和为：;令平均值为：;; 由式(9-18)和式(9-19)可以求得回归直线方程式中的常数a及回归系数b。;便可得到回归系数的另一种表达式： ; 上述回归直线的具体计算，通常都是列表进行的，本节的示例，具体计算见表9-2。;直线回归分析步骤;例某乡为了提高小麦产量，经过多次试验，总结出一种小麦基本苗数推算成熟期有效穗数的方法。在5块田上进行对比试验，取得数据如下：;解：回归直线方程计算表（1）;回归直线方程计算表（2）;表9-1 试验数据;1）先把数据在Excel中成列输入到电子表格中； 2）全部选择所有数据； 3）点击图表向导快捷按钮，按提示一步一步建立散点图；;9.3.3 方差分析;两端平方求和得：; 上式中三项平方和的意义如下： ; 由图中可以看出，如果残差平方和很小，则回归平方和／总平方和将接近于1。这时，所有的观测点都靠近或落在回归线上，这就表明回归直线的精度较高。; 残差平方和是排除了 x 对 y 的线性影响后的剩余部分，y 值随机波动程度的大小，用它来估计误差。 产生原因：包括随机误差、那些影响很小但尚未考虑的因素。 自由度： f总= f回 + f残 f总= m - 1 f回 =1 　　　　　f残= f总－ f回 = m - 2; 方差：残差平方和除以它的自由度：;将例9.1一元直线回归的方差分析可归纳在表5-3中。;9.3.4一元线性回归方程的检验;用一个数量性的指标，来衡量两个变量之间线性相关关系的密切程度——相关系数 r 。;;（1） r = 0 时。此时 b = 0 ，即按最小二乘法确定的回归直线平行于 x 轴，这说明 y 的变化与 x 无关。故 x 与 y 之间没有线性关系。通常，散点的分布是完全不规则的，如图9.15（a）所示。 （2） 0≤｜r｜≤1。这时， x 与 y 之间存在着一定的线性关系。当 r ＞0 时 b＞0 ，散点分布有随 x 增加 y 增加的趋势，此时称 x 与 y 是正相关，如图9.15（b）所示。当 r ＜0 时 b＜0 ，散点图呈 y 随 x 增加而减小的趋势，此时称 x 与 y 为负相关，如图9.15（c）所示。当 r 的绝对值比较大时，散点远离回归直线较为分散；当 r 的绝对值较大时，散点分布就靠近直线。 （3） ｜r｜= 1。所有