中南大学《实用测量数据处理》第二章 回归与拟合分析.pptVIP

第二章 回归与拟合分析 提纲 1.线性回归分析 2.逐步回归分析 3.非线性回归分析 4. SCGM多点分析 1.1 线性回归概念 经典的线性回归分析法仍广泛应用于变形测量数据处理中。 它是研究一个变量（因变量）与多个因子（自变量）之间非确定关系（相关关系）的最基本方法。该方法通过分析所观测的效应量（如变形）和原因（如荷载）之间的相关性，来建立数学模型。如： 因变量：水库大坝的变形； 自变量：水库水位、气温、降雨量等 1.2 线性回归模型 线性回归模型 式中 为因变量，是为可观测的随机变量； 是自变量，为可观测的已知变量；?为不可观测的随机误差项， 为未知参数 如果进行了n 期观测，可写为 1.2 线性回归模型 矩阵表达 式中 1.3 线性回归模型建立过程 回归分析模型建立的过程 根据实际研究问题设置目标变量 收集整理统计数据 构造回归模型 对模型参数进行估计 对回归方程和回归系数进行假设检验 回归模型的应用 1.4 线性回归模型参数估计 模型参数估计 回归参数可通过样本数据（观测数据）来估计，误差方程可以写成： 按最小二乘准则 参数估值 1.4 线性回归模型参数估计 的最小二乘估值 多元回归模型的标准差（中误差） 1.5 线性回归模型的拟合优度 拟合优度：样本观测值聚集在样本回归线周围的紧密程度。常用指标是复相关系数 定义： 总离差平方和 回归平方和 残差平方和 三者关系 1.5 线性回归模型的拟合优度 复相关系数（可决系数） 在总离差平方和中回归平方和所占的比重越大，则回归效果越好，说明回归模型与样本观测值拟合得好；如果残差平方和所占比重大，则回归模型与样本观测值拟合得不理想。把回归平方和与总离差平方和之比定义为可决系数，或复相关系数 1.6 总体回归模型的显著性检验 实际问题中，事先并不能断定因变量 与自变量 之间是否确有线性关系。在求线性回归方程之前，线性回归模型只是一种假设。在求得线性回归方程后，还需要对回归方程进行统计检验，以给出肯定或者否定的结论。 统计检验 原假设：因变量与自变量之间不存在线性关系，则模型中的 为零向量，即 备选假设： 不全为零 1.6 总体回归模型的显著性检验 检验统计量 检验：选择显著性水平 后，可以用下式检验原假设： 若上式成立，即可认为在显著性水平 下，回归系数不全为0，即回归方程是显著的。 1.7 回归系数显著性检验—t检验 回归方程显著，并不意味着每个自变量 对因变量 的影响都显著，总想从回归方程中剔除那些可有可无的变量，重新建立更为简单的线性回归方程。这时可以采用回归系数显著性检验。 统计检验 原假设：如果某个变量 对 的作用不显著，则该变量的系数 就应该为零，即 检验统计量： 1.7 回归系数显著性检验—t检验 检验：选择显著性水平 后，可以用下式检验原假设： 若上式成立，即可认为回归系数 在 置信水平下是显著的。 1.7 回归系数显著性检验—F检验 偏回归平方和：在回归分析中，去掉一个自变量使回归平方和减少的部分，也可理解为添入一个自变量使回归平方和增加的部分。可以证明，其为： 统计检验 原假设：如果某个变量 对 的作用不显著，则该变量的系数 就应该为零，即 检验统计量： 1.7 回归系数显著性检验—F检验 检验：选择显著性水平 后，可以用下式检验原假设： 若上式成立，即可认为回归系数 在 置信水平下是显著的。 某大坝的垂直位移与水位观测值如下表，试用回归分析求回归方程 某大坝的水平位移与两个主要坝段的温度观测值如下表，试用回归分析求回归方程 1.8 线性回归模型的预报 线性回归模型的预报方程 预报就是给自变量一组特定的值（ ），对因变量的值 进行估计 自变量（如气温、水库水位、降雨量、大坝滑坡体的岩土力学参数）的值 可以通过实测得到，如滑坡体的岩土力学参数等 也可以用前几十年的资料进行预测得到，如气温、水库水位、降雨量等 1.8 线性回归模型的预报 预报误差 的估计值 的期望和方差： 构造统计量： 1.8 线性回归模型的预报 预报的置信区间 控制