第8章 - 差异 - 回归分析.ppt

* * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * 表5.1 合金钢强度y与碳含量x的数据 序号 x(%) y (×107Pa) 序号 x(%) y (×107Pa) 1 0.10 42.0 7 0.16 49.0 2 0.11 43.0 8 0.17 53.0 3 0.12 45.0 9 0.18 50.0 4 0.13 45.0 10 0.20 55.0 5 0.14 45.0 11 0.21 55.0 6 0.15 47.5 12 0.23 60.0 解：1、 散点图于左图 2、根据最小二乘法得 ?xi=1.90 n=12 ?yi=590.5 ?xi2=0.3194 ?xi yi =95.9250 ?yi2=29392.75 lxx=0.0186 lxy=2.4292 lyy=335.2292 由此给出回归方程为: 计算的下表 来源 平方和 自由度 均方和 F比 回归 SR =317.2589 fA=1 SR /fA =317.2589 176.55 残差 Se =17.9703 fe=10 Se / fe= 1.79703 总和 ST =335.2292 fT=11 3、关于回归方程的显著性检验。 经计算有 若取?=0.01，则F0.99(1,10) =10F=176.55，因此在显著性水平0.01下回归方程是显著的。 4、如果x0=0.16，则得预测值为 若取? =0.05，则 t0.975(10)=2.2281， 又 求对应y0预测区间： 从而y0的置信水平为0.95的预测区间为 例8.4.5 P409 数据表8.4.4 问题： 假设y与x之间关系符合线性回归模型 1）画出三点图； 2）建立线性回归方程； 3）在? =0.01下，检验模型的显著性； 4）当x=17.6时，求y的1-?=0.95的预测区间。 8.6 多元线性回归分析 在实际问题中，自变量的个数可能多于一个，随机变量 y与多个可控变量x1,x2,x3,…,xk之间存在相关关系，这属于多元回归问题。本节讨论多元线性回归分析。 多元线性回归模型 为随机变量。 其中 未知 则（1）式称为k元线性回归模型。 设 为普通变量； 它们存在相关关系，假设为： 若对变量 与 分别作n次观测，则可得 一个容量为n的子样 其中 为待定参数，称为回归系数。 上式含有k+1个参数，故观测次数应满足nk+1。 则有 其中 观测误差。 假设条件： 1） 相互独立； 则： 需要回答问题： ——多元线性回归方程 利用样本给出参数 的估计量； 对模型进行显著性检验； 使用模型进行预测与控制。 多元线性回归模型的矩阵表示 记 其中 则式 表示为 假设条件为 确定 的最小二乘法估计及性质 考虑多元线性回归模型 目标：确定 使 最小 方法： ——误差平方与 ——正规方程组 若 回归方程 将样本代入回归方程，写成矩阵形式，得 ——估计值向量 注： ——残差向量 ——残差平方与 ——回归平方与 估计量的性质 ： 是 无偏估计 是 无偏估计 的协方差矩阵 不相关 5.6.4 极大似然估计量 5.7 线性回归方程的有效性检验 5.7.2、显著性检验 假设回归模型 平均意义表示， 在多元回归分析中，假设有几种形式： 5.7.2、显著性检验 以1）为例，作如下假设 用以前的方法,可以证明 5.7.2、显著性检验 从而检验统计量： 来源 平方和 自由度 均方和 F比 回归 SSr k SSr /k (SSr /k)/(SSe / (n-k)) 残差 SSe n-k SSe / (n-k) 总和 SSt n 若取?，则F?(k,n-k) 与F= (SSr /k)/(SSe / (n-k)) 比较，因此在显著性水平?下，回归方程显著性进行判断。 我们考查