多变量统计建模及其在软测量中的应用之相关分析和回归分析概要.pptVIP

多变量统计建模方法 及其在软测量中的应用;主要内容;一、相关分析;1、相关的种类： ◆ 按相关的程度分： - 完全相关 - 不相关 - 不完全相关;2、相关散点图： 相关散点图：利用直角坐标系将两变量相对应的变量值用坐标点形式描绘出来，用以表明相关点分布状况的图形 相关散点图的用途： ◆ 判断是否线性相关 ◆ 判断相关变化方向 ◆ 判断相关密切程度;;3、相关系数： 着重研究线性的单相关系数 相关系数：为精确了解变量间的相关程度，还需作进一步统计分析，求出描述变量间相关程度与变化方向的量数，即相关系数 计算公式：;相关系数的性质： ◆ 当|r|=1时，x与y为完全线性相关，它们之间存在确定的函数关系。 ◆ 当 0 |r| 1 时，表示x与y存在着一定的线性相关，r的绝对值越大，越接近于1，表示x与y直线相关程度越高，反之越低;使用相关系数要注意的地方： ◆ 相关系数只反映变量间的线性相关程度，不能说明非线性相关关系。 ◆ 相关系数不能确定变量的因果关系，也不能说明相关关系具体接近于哪条直线。 ◆ X和Y 都是相互对称的随机变量，所以 ;4、Matlab函数： 函数R=corrcoef[x,y]可用于求x、y两个向量的相关系数，前提是x、y两个向量的长度必须大于2且相同。 应用：合金强度y与其中碳含量x有比较密切的关系，现从生产中收集数据如表1所示。 表1 ; 绘制散点图并计算相关系数，程序如图1所示，散点图如图2所示： 图1;5、相关运算的应用： 用相关分析提高管道负压波泄漏定位系统的定位精度 图2 ; 定位公式 假设在图2中到达首端的信号为A(t),到达末端的信号为B(t),可表示为 式中NA(t)和NB(t)分别为首端和末端两点的背景噪声。对A(t)、B(t)进行相关运算有: ; 通常认为泄漏负压波信号与背景噪声信号相互独立不相关,噪声NA(t)和NB(t)完全不相关,上式可简化为 ;二、多元统计回归分析;(x,y); ;2、多元线性回归 一元回归分析：研究的是两个变量x和y之间的相关关系。 多元线性回归分析：假设p个自变量为xi (i=1, 2, …, p)，因变量为y，y可表示为自变量xi的线性组合，即： ;3、回归函数系数的确定 多元线性回归的目的就是通过自变量的n组测量估计出回归系数。 用于建立软测量模型时，将p个自变量作为辅助变量，因变量y为待测主导变量，呈上式表示的线性关系，采用多元线性回归估计出回归系数 ，建立线性回归模型，并基于该软测量模型实现待测主导变量y的估计。 ;多元线性回归的数学模型用矩阵表示为：; 寻求最佳回归参数时，其目标是使估计量与因变量最接近。多元线性回归基于最小二乘法，因此该目标可以等效地表达为使估计误差的平方和最小，即使得向量E中各个元素的平方和为最小。 该过程可以表达为下面的优化问题： 式中，J为目标函数。; 注意到式中的各项都是标量，因此有 代入，得：; 目标函数J达到最小时，J对β的偏导数应为０，因此有： 则得线性回归方程（软测量模型）为： ;4、回归系数的显著性检验 回归方程获得后，一般需要对回归方程和回归系数进行显著性检验，以评价线性拟合的品质和自变量xi对因变量y的影响。 常用的显著性检验方法： ◆ F检验法：检验自变量和因变量之间是否存在线性关系 ◆ t检验法：检验每个自变量对因变量的影响是否显著 ◆ 相关系数法：复相关系数衡量回归方程拟合品质，偏相关系数评价每个自变量对因变量的作用;F检验法： ◆ 假设： 如果H0成立，则不能认为x与y有线性相关关系。 ◆ 检验统计量： ; ◆式中： ——回归离差平方和，反映回归值与平均值的偏差，揭示y与X的线性关系所引起的数据波动。 ——残差平方和，反映观测值与回归值的偏差，揭示试验误差和非线性关系对试验结果所引起的数据波动 ——总离差平方和，反映观测值与平均值的偏差程度， ;◆ 离差平方和分解示意图;两端平方后求和有;◆对给定的显著性水平α（一般取1%或5%），有： - 当