概率论与数理统计课件--一元回归分析.ppt

* * * * 在现实问题中，处于同一个过程中的一些变量，往往是相互依赖和相互制约的，它们之间的相互关系大致可分为两种： 相关关系问题 （1）确定性关系——函数关系； （2）非确定性关系——相关关系； 相关关系表现为这些变量之间有一定的依赖关系，但这种关系并不完全确定，它们之间的关系不能精确地用函数表示出来，这些变量其实是随机变量，或至少有一个是随机变量。 相关关系举例 例如：在气候、土壤、水利、种子和耕作技术等条件基本相同时，某农作物的亩产量 Y 与施肥量 X 之间有一定的关系，但施肥量相同，亩产量却不一定相同。亩产量是一个随机变量。 又如：人的血压 Y 与年龄 X 之间有一定的依赖关系，一般来说，年龄越大，血压越高，但年龄相同的两个人的血压不一定相等。血压是一个随机变量。 农作物的亩产量与施肥量、血压与年龄之间的这种关系称为相关关系，在这些变量中，施肥量、年龄是可控变量，亩产量、血压是不可控变量。一般在讨论相关关系问题中，可控变量称为自变量，不可控变量称为因变量。 函数关系与相关关系的区别 相关关系—— 影响 的值， 函数关系—— 决定 的值， 因此，统计学上讨论两变量的相关关系时，是设法 确定：在给定自变量 的条件下，因变量 的 条件数学期望 不能确定。 回归分析的概念 研究一个随机变量与一个（或几个）可控变量之间 的相关关系的统计方法称为回归分析。 只有一个自变量的回归分析称为一元回归分析；多 于一个自变量的回归分析称为多元回归分析。 引进回归函数 称为回归方程 回归方程反映了因变量 随自变量 的变化而变化 的平均变化情况. 回归分析主要包括三方面的内容 （1）提供建立有相关关系的变量之间的数学关系 式（称为经验公式）的一般方法； （2）判别所建立的经验公式是否有效，并从影响随机变量的诸变量中判别哪些变量的影响是显著的，哪些是不显著的； 回归分析的内容 （3）利用所得到的经验公式进行预测和控制。 一元线性回归模型 如果试验的散点图中各点呈直线状，则假设这批数 据的数学模型为 设随机变量Y依赖于自变量x，作n次独立试验，得n对观测值： 称这n对观测值为容量为n的一个子样，若把这n对观测值在平面直角坐标系中描点，得到试验的散点图. 其中 ，且相互独立， 则 图 9-1 其中 同服从于正态分布 相互独立， 因此 其中 是与 无关的未知常数。 （9.1） 一元线性回归模型 一般地，称如下数学模型为一元线性模型 而 称为回归函数或回归方程。 称为回归系数。 回归函数（方程）的建立 由观测值 确定的回归函数 ，应使得 较小。 考虑函数 问题：确定 ，使得 取得极小值。 这是一个二元函数的无条件极值问题。 回归方程的建立 令 回归方程的建立 记 表示对 的估计值 则变量 对 的回归方程为 简写为 回归方程有效性的检验 对于任何一组数据 ，都可按最 小二乘法确定一个线性函数，但变量 与 之间是否真 有近似于线性函数的相关关系呢？尚需进行假设检验。 假设 如果 成立，则不能认为 与 有线性相关关系。 三种检验方法：F检验法、t-检验法、r检验法。 回归方程有效性的F检验法 记 ——总离差平方和，反映观测值与平均值的偏差程度。 经恒等变形，将 分解 回归方程有效性的F检验法 ——回归平方和，反映回归值与平均值的偏差，揭示 变量 与 的线性关系所引起的数据波动。 ——剩余平方和，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。 回归方程有效性的F检验法 如果 为真，则 于是，统计量 对给定的检验水平 ， （1）当 时，拒绝 ，即可认为变量 与 有线性相关关系； （2）当 时，接受 ，即可认为变量 与 没有线性相关关系； 回归方程有效性的F检验法 （2）当 时，接受 ，即可认为变量 与 没有线性相关关系； 此时，可能有以下几种情况： （2） 对 有显著影响，但这种影响不能用线性关系 表示，应作非线性回归；