分析酿酒葡萄及葡萄酒的理化指标对葡萄酒质量的影响并论证能否用葡萄及葡萄酒的理化指标来评价葡萄酒的质量.pdf

分析酿酒葡萄和葡萄酒的理化指标对葡萄酒质量的影响，并论证能否用葡萄和 葡萄酒的理化指标来评价葡萄酒的质量 1.1问题4的分析 问题四要求研究酿酒葡萄与葡萄酒的理化指标对葡萄酒质量的影响，以及是 否能完全用酿酒葡萄和葡萄酒的理化指标评价葡萄酒的质量。我们将提取葡萄及 葡萄酒的理化指标与芳香物质中的主成分，利用逐步回归的方法考察理化指标与 芳香物质对葡萄酒质量的影响程度，通过对芳香物质对葡萄酒质量影响比重得到 芳香物质对葡萄酒的质量有30%以上的影响比重（白葡萄的芳香物质对白葡萄酒 的质量影响相对更大），故而不能完全用酿酒葡萄和葡萄酒的理化指标评价葡萄 酒的质量。 1.2 逐步回归分析模型的建立 逐步回归法是一种变量筛选方法。逐步回归法采取边进边退的方法，对于模 型外部的变量，只要它还可提供显著的解释信息，就可以再次进入模型；而对于 【 】 已在内部的变量，只要它的偏F 检验 6 不能通过，则还可能从模型中被删除。 F （1）偏 检验 在决定一个新的变量是否有必要进入模型，或者判断某个变量是否可以从模 型中删除时，考虑这个变量能否对y 提供显著的附加解释信息？现采用偏 F 检 验。 设有n 个自变量x , x ,, x ，采用这n 个自变量拟合的模型称为全模型，即 1 2 n y b b x b x b x  0 1 1 2 2 n n n n 1 从这 个变量中删除自变量x ，这时用 个自变量拟合模型称为减模型， j 即 y b b x b x b x b x  0 1 1 j 1 j 1 j 1 j 1 n n 全模型的复判定系数为R 2 ，减模型的复判定系数记为R 2 。定义 j R 2 R 2 R 2 j j 由于在全模型中多一个自变量x ，所以，若R 2 几乎为零，说明增加x ， j j j 对y 的解释能力没有显著提高；否则，若R 2 显著不为零，则x 就可以为回归模 j j 型提供显著的解释信息。 给出统计假设H 0 : Rj2 0,H1 : Rj2 0 统计检验量为 Q j Q F j Q n m (  1)