实验优化设计第10章回归分析.pptVIP

10 回归分析 * * 变量与变量之间的关系一般可以分为两大类：确定性关系和相关关系。 ◇当一个或几个变量取一定值时，另一个变量有确定值与之相对应，也就是说变量之间存在着严格的函数关系，这种关系就称为确定性关系。例如，牛顿第二定律F=ma，欧姆定律U=IR，朗伯-比尔定律A=abc等均是反映变量间确定关系的表达式。 ◇当一个或几个相互关系的变量取一定数值时，与之对应的另一变量的值虽然不确定，但它仍按某种规律在一定的范围内变化。变量间相互关联而不能用确切的函数表达的，这种关系称为相关关系。例如，在农业生产中肥料、单位面积播种量与亩产之间，相互有影响但不是“一个决定另一个”的确定关系，这就是相关关系。 ◇变量之间的确定性关系和相关关系，在一定的条件下是可以相互转换的。本来具有函数关系的变量，当存在实验误差时，其函数关系往往以相关的形式表现出来。相关关系虽然是不确定的，却是一种统计关系，在大量的观察下，往往会呈现出一定的规律性，这种规律性可以通过大量实验值的散点图反映出来，也可以借助相应的函数式表达出来，这种函数称为回归函数或回归方程。 10.1 基本概念 回归分析的主要内容: 确定回归方程，检验回归方程的可信性 10.2 一元线性回归分析 10.2.1 一元线性回归方程的建立 一元线性回归分析又称直线拟合，是处理两个变量x和y之间关系的方法。 所谓一元是指只有一个自变量x，因变量y在某种程度上是随x变化的。 =a+bxi 上式就是变量x，y的一元线性回归方程，式中a，b称为回归系数； 是对应自变量xi代入回归方程的计算值，称为回归值。 注意，这里的函数计算值 与实验值yi不一定相等。将 与yi之间的差异称为偏差，用?i表示。 设有一组实验数据，实验值为 (xi, yi) (i=1，2，…，n)。 若x，y符合线性关系，或已知经验公式为直线形式，就可拟合为直线方程，即： ?i =yi - yi =a+bxi+?i 显然，只有各偏差平方值（考虑到偏差有正有负）之和最小时，回归方程与实验值的拟合程度最好。 q=∑?i2 =∑ (yi - )2 =∑[yi–(a+bxi)]2 正规方程组 [例10-1] 为研究某合成物的转化率y (%)与实验中的压强x (atm)的关系，得到如表10-1的实验数据。试使用最小二乘法确定转化率与压强的经验公式。 5.07 5.02 3.50 2.98 2.01 y/ % 9 8 5 4 2 x/atm 实验数据散点图 分析： 根据表10-1的实验数据，在普通直角坐标系中画出y～x散点图（见图10-1），从图中可以看出, 这些点近似于直线分布，故可设y～x经验公式为y＝a+bx。 a+2b=2.01 a+5b=3.50 a+4b=2.98 a+8b=5.02 若将上述数据代入经验公式y＝a+bx中，可以得到多种组合，例如： 由第一个方程组解得a=1.040，b＝0.485，由第二个方程组解得a＝0.900，b＝0.520。可见，不同的组合可以解出不同的a，b值，这一矛盾是由于测量中存在不可避免的误差，未知量a，b无论取何值都不会使以上两种方程两边都相等。 但是可以利用最小二乘法原理求得a，b的最佳值，使y＝a+bx与各组数据拟合得最好。 解： 依题意，实验次数n＝5，y～x为一元线性关系y=a+bx。根据最小二乘法原理，有： 119.23 76.07 190 18.58 28 ? 45.63 25.70 81 5.07 9 5 40.16 25.20 64 5.02 8 4 17.50 12.25 25 3.50 5 3 11.92 8.88 16 2.98 4 2 4.02 4.04 4 2.01 2 1 xiyi yi2 xi2 yi xi i 解得a＝1.155，b＝0.4573。 因此关系式为：y＝1.155+0.4573x。 如果用简化算法，则有： 故关系式为：y=1.155+0.4573x，即两种计算方法结果是一致的。 根据实验数据建立回归方程，可采用最小二乘法，基本步骤为： ① 根据实验数据画出散点图； ② 确定经验公式的函数类型； ③ 通过最小二乘法得到正规方程组； ④ 求解正规方程组，得到回归方程的表达式。 其实①②两点正是第9章建立数学模型的过程，所以建立数学模型是回归分析的前提。 在一些情况下，对实验值 (xi，yi) (i＝1，2，…，n) 作出的散点图，即使一看就知道这些点不可能近似在一条直线附近，即x与y不存在线性相关关系，但是仍可以利用最小二乘法求得x与y的线性拟合方程 =a+bxi，这样求得的方程显然没有意义。 因此，我们