《试验设计与数据处理》讲稿.pptVIP

第4章 试验数据的回归分析 4.1基本概念 方差分析研究两个变量间的显著性问题 回归分析处理变量之间相关关系的问题 ——由试验结果建立数学模型 4.2 一元线性回归分析—最简单的线性回归分析 4.2.1 一元线性回归方程的建立 一元线性回归方程的建立（续） 一元线性回归方程的建立（续） 一元线性回归方程的建立（续） 4.2.2.1 相关系数检验法 相关系数的特点： 0≤| r |≤1 相关系数检验： 4.2.2.2 F 检验—方差分析 法 (2) 计算自由度 表4-3 一元线性回归方差分析表 4.2.2.3 残差分析 4.3 多元线性回归分析—多个变量的线性回归分析 偏回归系数的确定： 方程组的解就是偏回归系数 表4-8 多元线性回归方差分析表 4.3.2.2 相关系数检验法 复相关系数R 的特点： 0≤R≤1 (与一元线性回归类似) 4.3.3 偏回归系数的显著性检验——因素主次的判断方法 4.4 非线性回归分析 4.4.1 一元非线性回归分析 常用非线性函数的线性化变换 4.4.2 一元多项式回归 4.4.3 多元非线性回归 * (1) 确定性关系—对应关系、函数关系。其变量称确定性变量。 (2) 相关关系—对应的变量称随机变量。没有一一对应的函数关系，但有统计规律—散点图、回归方程 一元回归分析——研究单因素与试验指标间相关关系 多元回归分析——研究多因素与试验指标间相关关系 线性回归、非线性回归——相关关系为线性或非线性 设有一组试验数据xi，yi (i = 1， 2，…，n)，其中x 是自变量，y 是因变量。若x，y 符合线性关系，或已知经验公式为直线形式，即： 称为变量x，y 的一元线性回归方程。 a, b 称为回归系数； 是由xi代入回归方程的计算值，称为回归值。 与yi 之间的偏差称为残差，用ei 表示，则有： 残差平方值（考虑到残差有正有负）之和为： 显然，只有残差平方和最小时，回归方程与试验值的拟合程度最好。 残差平方和SSe为a， b的函数，即： SSe=f (a, b) 为使SSe值到达极小，根据极值原理，只要对上式分别对a，b求偏导数，并令其等于零，求解方程组即可求得a，b之值————最小二乘法原理。 根据最小二乘法，可以得到： 对方程组求解，即可得到回归系数a, b的计算式： 正规方程组 为了方便计算，令： 于是： 4.2.2 一元线性回归效果的检验 —— 检验回归方程的可靠性或可信性 相关系数检验法 、F检验即方差分析 法、残差分析法 相关系数用于描述变量x与y的线性相关程度的系数： 回归系数b 与相关系数r 的关系为： b 与r 有相同的符号 决定系数——相关系数的平方r2 完全线性相关 完全线性相关 有一定的线性关系 有一定的线性关系 无线性关系 无线性关系 相关系数r 越接近1，x与y 的线性相关程度越高，然而r 的大小未能回答其值达到多大时，x 与y 之间才存在线性相关，所以须对相关系数r 进行显著性检验： （1）根据给定的显著性水平a 和试验数据组数n （n＞2），从附录5（P. 208）查取相关系数临界值rmin。 表中，m为自变量的个数：一元回归 m=1 ; 二元回归 m=2 （2）显著性检验： 如果 | r |≥rmin 线性相关显著； 如果 | r |＜rmin 线性相关不显著。 更确切地检验：如果 | r |≥ rmin(0.01) 线性相关非常显著; 如果 rmin(0.05) ≤ | r |＜rmin(0.01) 线性相关显著; 如果 | r |＜rmin(0.05) 线性相关不显著。 (1) 计算离差平方和 回归平方和—回归值 与算术平均值 的偏差 总离差平方和—试验值yi与其算术平均值 的偏差 残差平方和—试验值yi与回归值 的偏差 三种平方和之间有下述关系： SST＝SSR＋SSe SSR还可以用更简单的公式计算: 总离差平方和SST的自由度为： dfT = n－1 回归平方和SSR的自由度为： d