第9章方差分析与一元回归分析.pptVIP

四、双因素方差分析 第二节 一元线性回归分析 4.一元线性回归方程的求法(参数的最小二乘估计) 三、估计量的性质(证明略) 五、预报与控制 可化为一元线性回归的回归分析 2.检验假设H0：b=0 所以拒绝H0，线性关系十分显著。 3、γ-检验 选取统计量 查γα，计算观测值，若|γ| γα（n-2） 则拒绝H0 对于任意给定的 ,可算出 然而,在实际问题中,仅仅知道预测值是不够的,还需要 知道预测的精度.也就是 的置信区间.对于给定的 , 的置信区间也称为 的预测区间. 观察值 A B A1 A2 ... Aa B1 B2 ... Bb x11 x21 ... xa1 x12 x22 ... xa2 x1b x2b ... xab Xij可用如下数学模型表示： 方差分析数据表为： 令： 总体总均值，理论值 A的第i个水平的总体均值 B的第j个水平的总体均值 称为Ai的效应 称为Bj的效应 效应分解式： 2）方差分析 检验假设 令： （样本总均值） （因素A第i个水平样本均值） （因素B第j个水平样本均值） 可以证明： 检验统计量 方差分析表 方差来源 平方和 自由度 均方和 A B E a-1 b-1 (a-1)(b-1) SA/(a-1) SB/(b-1) Se/(a-1)(b-1) 总和 ab-1 则简化计算法为: 一、问题的提出 二、一元线性回归方程的求法 三、估计量的性质 四、回归方程的显著性检验 五、预报与控制 第二节、一元线性回归分析 一、问题的提出 变量间的关系分为： (1)确定性关系 (2)相关关系 (即变量间有统计规律,但关系是不确定的) 回归分析方法就是寻找变量间相关关系的数学关系式并进行统计推断的一种方法. 回归分析(按变量个数) 一元回归分析 多元回归分析 回归分析解决以下两个问题: 1.判断变量间是否存在相关关系. 2.找出变量间相关关系最适合(近似的)定量表达式, 同时利用表达式作预测或控制,并估计出这种预测 或控制可以达到什么样的精度. 1.散点图 二、一元线性回归方程的求法 2.一元线性回归的数学模型 上式所描述的x,y之间的线性关系的模型,我们 称为一元线性回归模型. 称为y对x的线性回归方程 回归截距 回归系数 3.回归方程 记 则 回归方程为: 例9.2某种大豆的脂肪含量x(%)与蛋白质含量y(%)的 测定结果如下表: 序号 脂肪 蛋白质 1 2 3 4 5 6 7 8 9 16.5 43.5 17.5 42.6 18.5 42.6 19.5 40.6 20.5 40.3 21.5 38.7 22.5 37.2 23.5 36 24.5 34 求回归方程. 序号 脂肪 蛋白质 1 2 3 4 5 6 7 8 9 16.5 43.5 17.5 42.6 18.5 42.6 19.5 40.6 20.5 40.3 21.5 38.7 22.5 37.2 23.5 36 24.5 34 列出回归计算表 272.3 1892 717.8 306.3 1815 745.5 342.3 1815 788.1 380.3 1648 791.7 420.3 1624 826.2 462.3 1498 832.1 506.3 1384 837 552.3 1296 846 600.3 1156 833 184.5 355.5 3842 14128 7217 四、回归效果的检验 要检验y与x之间是否有线性关系,就是要检验b 是否为零. 若接受H0，表明线性关系不显著 若拒绝H0，表明线性关系显著 1.平方和分解 总平方和 反映了原始数据 的全部差异性 回归平方和 反映了观测值偏离回归直线的程度,这种差异性通常 是由随机误差所引起的,其大小表示除线性相关性以外 的所有其他因素(统称为随机因素)对试验结果的影响. 三个平方和的关系为: 证明: 2.F检验 无明显的线性关系 *显著 **十分显著 在实际计算中，可简化为： 例9.3对例9.2中的回归方程进行线性关系的显著性检验. 故拒绝 (说明x对y有极显著的线性影响) 解: 例9.4 水稻产量与化肥用量之间的关系，在土质、 面积、种子等相同的条件下，由试验获取如下据： 化肥用量 15 20 25 30 35 40 45 水稻产量 330 345 365 405 445 490 455 求1、求回归方程； 2、线性关系显著性检验。 1 2 3 4 5 6 7 ∑ 15 20 25 30 35 40 45 210 330