数理统计小结..ppt

3 区间估计 4 双因素试验的方差分析 表9.5 单因素试验方差分析表 n-1 ST 总 和 n-s SE 误 差 s-1 SA 因素A F值 均方 自由度 平方和 方差来源 表中 分别称为SA,SE的均方。 影响试验结果的因素不止一个，要用双因素或 多因素的方差分析； 确定哪些因素是主要的，它们对试验结果的影 响是否显著； 它们之间是否有交互作用。 （一）双因素等重复试验（有交互作用）的方差分析 设有两个因素A，B作用于试验的指标。 因素B有s个水平 对因素 A,B的水平的每对组合(Ai,Bj)， 都作t (t≥2)次试验（称为等重复试验），得到如下结果 因素A有r个水平 与残差平方和 反映了由于 的变化引起的 的差异，体现了 对 的影响； 反映了自变量以外的随机因素对 的影响。 为 若它不是显著地大，表明所选的 并不是一个重要的 回归平方和 的影响部分与随机因素影响部分的比值; 因素，它的作用与随机因素的作用相当，于是得到的回归方程就没有意义。 如果它显著地大，表明 关于回归方程的显著性检验问题 可以证明，当 的关系中b=0时，有 的作用是显著地比随机因素大， 这样方程才有意义。 b是否等于0的检验问题 用 来检验b的绝对值是否大于0;或者说检验回归方程 给定显著性水平 便可判断回归方程是否有意义。即要检验假设 检验统计量为 是否有意义。 ，查F分布分位数表，求出否定域， 拒绝域为 也可用t检验法来检验回归方程是否有意义，假设 且 与 独立（见附录5°），故有 即 这里 又 使用t检验法来进行检验。有（见附录2°）： 当H0为真时b=0，此时 即得H0的拒绝域为 当假设 就认为回归效果不显著。 被拒绝时，认为回归效果是显著的，反之， 3. 预测（ 我们无法确切知道 的值。因此，只能估计 的范围。通常假定 这样通过对 的估计，就可知道 的估计） 当检验认为回归方程确有意义，则可用来预测或控制。 的取值范围。 假定 是在模型 的条件下进行的一次试验结果，可以证明 有： 因此， 给定的置信水平 ，有 的置信区间为 其中 于是 根据书上（用相关系数检验法），也有 即 给定置信水平 ，有 让 （ 换为 ）变动，有： 或 置信区间 其中 事实上，当n很大且 靠近 时，有 即 服从 ，用正态分布的性质有 或 作为实际应用时的近似预报。 总结： 回归方程计算 （2）进行统计检验： 对给定 的临界值 ，如果 则拒绝假设 ，说明一元线性回归成立。如果 则接受假设 ，说明一元线性回归不成立。 ，由F分布表查出自由度为（1，n-2） （3）对回归直线进行预测。 其中： 4．可线性化的一元非线性回归 两个变量之间并不一定是线性关系，而是某种曲线关系。应该用曲线来拟合。 用适当的变量代换，把它线性化。 具体做法是： 根据观察值 画出散点图，通过散点图与常见曲线进行比较，经验地选择曲线类型。 以下几种曲线都可以通过变量代换转化为线性回归： （2）幂函数： （3）双曲线： 或 （4）对数函数： （1）指数函数： 解题步骤： （1）若在原模型下，例如在原模型 下，对于 （2）求出在新模型 其中 （3）利用上节的方法来估计 （4）在得到Y关于 的回归方程后，再将原自变量 代回，就得到Y关于 的回归方程。它的图形是一条 有样本 下的样本 或对Y进行预测。 曲线，也称为曲线回归方程。 2 多元线性回归 在实际问题中，随机变量Y往往与多个普通变量 有关，研究这类关系问题称为多元回归问题。 （1）多元线性回归的数学模型 假设变量 与另外 个变量 线性的，它的第i次试验数据为 这一组数据可以假设有如下的形式： 其中 是 个待估参数， 是 这就是多元回归的数学模型。 的内在关系是 个可控变量， （2）参数估计 与一元线性回归类似，用最小二乘法来求未知参数的点估计（也可以用最大似然估计法来估计），找出 当 时，使 上式两边对 求偏导数，并令它们等于零，得 达到最小。 化简得 该方程组称为正规（则）方程组，为了求解的方便，将上式写成矩阵的形式，为此，引入矩阵： 因 的逆阵 （设 存在）得到解 于是有 这就是正规方程组的矩阵形式，在上式两边左乘 这就是所要求的的 估计，得到经验回归方程 称为 元经