第九课第三课一元线性回归.pptVIP

6.1 一元线性回归模型 一、回归分析的基本思想 一般提法 （数学模型） 设 x——自变量，非随机变量 y——因变量，随机变量 ε——不可观测的随机变量 y=f(x)+ ε ε~ N (0, σ2 ) 十九世纪，英国生物学家兼统计学家高尔顿研究发现： 其中x表示父亲身高， y 表示成年儿子的身高（单位：英寸，1英寸=2.54厘米）。这表明子代的平均高度有向中心回归的意思，使得一段时间内人的身高相对稳定。之后回归分析的思想渗透到了数理统计的其它分支中。 二、一元线性回归分析模型 四. 回归方程的显著性检验 采用方差分析的思想，我们研究影响观测值yi的原因． 注意到回归方程 只反映了x对y的影响，所以，拟合值 是观测值yi中只受xi影响的那一部分 而 则是除去xi的影响后，受其它种种因素影响的部分，故将 称为残差．于是，观测值yi可以分解为两部分 和 2. 回归方程的显著性检验 记 ST反映了观测数据总的波动，称为总变差平方和 SR反映了由于自变量x的变化影响因变量y的差异，体现了x对y的影响，称为回归平方和； Se反映了种种其它因素对y的影响, 称为残差平方和 注意到 满足正则方程，有 即有 2. 回归方程的显著性检验 由 及 ，得 于是 从而 = ST + Se 即总变差平方和可以分解为两部分：回归平方和与残差平方和． 2. 回归方程的显著性检验 SR / Se为x的影响部分与随机因素影响部分的相对比值． 若它不是显著地大，表明回归方程中的x并不是影响y的一个重要的因素，于是由数据得到的回归方程就没有什么意义； 如果它显著地大，表明x的作用显著地比随机因素大，这样方程就有意义． 所以我们考虑用SR / Se构造检验统计量． 2. 回归方程的显著性检验 考虑用SR / Se构造检验统计量．可以证明，当原假设H0成立时，即?1 = 0时，有 将 作为检验统计量，H0的拒绝域为 2. 回归方程的显著性检验 若F统计量的观测值为F0，则P值为 回归方程的显著性检验结果，通常汇总为方差分析表，如表所示． 方差分析表 3. 回归方程的判定系数 判定系数R2可以解释为y1，y2，…，yn的总变化量中被回归方程所描述的比例． R2越大，总变化量中被回归方程所描述的比例就越大，说明自变量对因变量的影响越大．从而残差平方和就越小，即拟合效果越好． 可见R2反映了回归方程对数据的拟合程度，是衡量拟合优劣的一个很重要的统计量 称R2为回归方程的拟合优度． 6．利用回归方程进行估计和预测 (1) 点预测 假设通过各种检验的“最优”回归方程为 对给定的x0值，代入回归方程 中就可得的 值. 它既可以作为实际值 的估计值，也可以作为 的估计值，这就是所谓的点预测． 例如，对合金钢强度y对含碳量x的回归方程 当已知含碳量x0= 0.22时，就可以预测合金钢强度为 6．利用回归方程进行估计和预测 (2) 区间预测 区间预测分为个体的区间预测和均值的区间预测，这里只介绍个体的区间预测． 对给定的x0值，因变量y的相应值y0记成 由于y0服从正态分布，且 可以证明 其中 5. 残差分析 在一元线性回归模型式中假定了误差?i（i=1，2，…，n）的正态性、独立性和同方差性． 其中，误差?i = yi – (?0 + ?1xi) (i＝1，2，…，n)是未知的，不可观测的． 若所建回归方程 合适，残差 可近似看做?i (i＝1，2，…，n) ，即 应基本上反映未知误差?i的上述特性． 利用残差 (i＝1，2，…，n)的特征反