回归分析与协方差分析.pptVIP

因此，SST＝SSE+SSR。 如果SSR的数值较大，SSE的数值便比较 小，说明回归的效果好；如果SSR的数值 较小，SSE的数值便比较大，说明回归的 效果差。 如果|r|较大，SSE的数值便比较小，说明 回归的效果好或者说x与Y的线性关系密切； 如果|r|较小，SSE的数值便比较大，说明回 归的效果差或者说x与Y的线性关系不密切； 因此称r为x与Y的观测值的相关系数。 又由r及回归系数的计算公式 可以推出：r0时b0，x增加时Y的观测值 呈增加的趋势；r0时b0，x增加时Y的观测 值呈减少的趋势。因此r0时称x与Y正相关， r0时称x与Y负相关。 综上所述，如果设H0为β＝0，也就是假设 x与Y不是线性关系，则可以用以下三种实质 相同的方法检验线性回归方程的显著性，且 当检验的结果显著时x与Y的线性关系显著， 回归方程可供应用；当检验的结果不显著时 x与Y的线性关系不显著，回归方程不可应用。 ⑴ F检验法： 当H0为真时， 且SSR与SSE相互独立；因此，当H0为真时， 当F≥F1-α(1,n-2)时应该放弃原假设H0。 (2)t检验法： 当H0为真时， 当|t|≥t1-0.5α(n-2)时应该放弃原假设H0。 (3)r检验法： 根据x与Y的观测值的相关系数 可以推出 当H0为真时， 当F≥F1-α(1,n-2)或|r|≥rα(n-2)时应该放 弃原假设H0，式中的 可由r检验用表中查出。 因此，r常常用来表示x与Y的线性关系在x 与Y的全部关系中所占的百分比，又称为x 与Y的观测值的决定系数。 4. 利用回归方程进行点预测和区间预测 若线性回归作显著性检验的结果是放弃H0， 也就是放弃回归系数β＝0的假设，便可以 利用回归方程进行点预测和区间预测，这是 人们关注线性回归的主要原因之一。 ⑴ 当x＝x0时， Y0的观测值y0的点预测是无偏的。 ⑵ 当x＝x0时，用适合不等式P{Y0∈(G,H)}≥ 1-α的统计量G和H所确定的随机区间(G,H) 预测Y0的取值范围称为区间预测，而(G,H)称 为Y0的1-α预测区间。 若Y0与样本中的各Yi相互独立，则根据 Z＝Y0-(a+bx0)服从正态分布，E(Z)＝0， Z与SSE相互独立， 可以导出 因此，Y0的1-α预测区间为 a+bx0±Δ(x0)， 例1.1《吸附方程》某种物质在不同温度下可 以吸附另一种物质，如果温度x(单位：℃)与 吸附重量Y(单位：mg)的观测值如下表所示： 温度x1.5 1.8 2.4 3.0 3.5 3.9 4.4 4.8 5.0 重量y4.8 5.7 7.0 8.3 10.9 12.4 13.1 13.6 15.3 试求线性回归方程并用三种方法作显著性检 验，若x0＝2，求Y0的0.95预测区间。 解：根据上述观测值得到n＝9， 所求的线性回归方程为 显著性检验方法 ⑴ F检验法： SST＝lyy＝114.516， SSR＝blxy＝112.485， SSE＝SST-blxy＝2.031，n-2＝7， F0.99(1,7)＝12.2， 所以回归方程极显著； ⑵ t检验法： 所以回归方程极显著； (3) r检验法： 所以回归方程极显著. Y0的0.95预测区间为(4.09,8.15)。 这说明当温度为2时，应该预测吸附另一种 物质的重量在4.09至8.15之间，并且预测100 次将有95次是正确的。 例1.2《植物保护》一些夏季害虫的盛发期 与春季温度有关，现有1956-1964年间3月下 旬至4月中旬旬平均温度的累计数x和一代三 化螟蛾盛发期Y(以5月10日为0)的观测值如下： 温度x 35.5 34.1 31.7 40.3 36.8 40.2 31.7 39.2 44.2 盛发期y 12 16 9 2 7 3 13 9 -1 试求线性回归方程并用三种方法作显著性检 验，若x0＝40，求Y0的0.95预测区间。 解：根据上述观测值得到n＝9， 所求的线性回归方程为 显著性检验方法 ⑴ F检验法： SST＝lyy＝249.5556，SSR＝blxy＝174.8886， SSE＝SST-blxy＝74.6670，n-2＝7， F0.99(1,7)＝12.2， 所以回归方程极显著； 所以回归方程极显著； 所以回归方程极显著. Y0的0.95预测区间为(-3.80,12.92)。 这说明当3月下旬至4月中旬旬平均温度的 累计数为40时，应该预测一代三化螟蛾盛 发期为5月6日至5月23日之间，并且预