02经典统计建模方法(二).pptx

经典统计建模方法（二）回归分析法几种常用的统计指标与参数相关分析相关分析与回归分析，是经典统计分析中最基本的方法。它们主要是从统计分析的 角度，定量地分析地理要素之间的相关程度、拟合地理变量之间的数量关系。相关分析：揭示了地理要素之间相互关系的密切程度。地理要素之间相互关系密切程度的测定，主要是通过对相关系数的计算与检验来完成的。单相关系数的计算与检验若有两个地理要素x与y，它们的样本值分别为xi与yi（i=1,2，…，n）那么，它们之间的单相关系数由下式计算： 为要素x与y之间的相关系数，它就是表示该两要素之间的相关程度的统计指标，其值为[-1,1]。 表示正相关，即两要素同向相关； 表示负相关，即两要素异向相关； 的绝对值越接近于1，表示两要素的关系越密切，越接近于0，表示两要素越不密切。当要素之间的相关关系求出之后，还需要对所求得的相关系数进行检验。一般情况下，相关系数的检验，是在给定的置信水平下，通过查相关系数检验的临界值表来完成的。回归分析相关回归分析相关分析回归分析相关分析揭示了要素之间的相关程度。回归分析方法，就是研究要素之间具体数量关系的一种强有力的工具，运用这种方法能够建立反映地理要素之间具体数量关系的数学模型，即回归模型。回归模型既有线性模型，也有非线性模型。线性回归模型线性回归分析的概念线性回归分析研究一个因变量与多个解释变量之间的线性关系，检验解释变量的显著程度并比较其作用的大小 ，进而用两个或多个变量的变化解释和预测因变量的变化。几个术语 在一元线性回归模型y = a + bx + u中， 统称y为：因变量（Dependent Variable）或响应变量(response variable)或被解释变量（Explained Variable）或被预测变量(predicted variable)或回归子(regressand) 几个术语 在y对x的简单线性回归中，通常称x为：自变量（Independent Variable）或解释变量（Explanatory Variable）或回归量（元）（Regressor）或协变量（Covariate）或预测元(predictor variable) 控制变量（Control Variables）几个术语yx因变量自变量被解释变量解释变量响应变量控制变量被预测变量预测变量回归子回归元线性回归模型的基本适用条件线性趋势：自变量与因变量的关系是线性的，可通过散点图加以判断。注意：若在散点图中观察到了特异的偏离值，应从分析中去掉独立性：因变量y的取值相互独立，它们之间没有联系。反映到模型中即要求残差间相互独立，不存在自相关，否则应采用自回归模型来分析。随机性：必须是随机抽取的样本，以例进行显著性检验。线性回归分析的主要步骤根据数据的测量尺度和目的选择适当的回归方法选择解释变量（自变量）和因变量根据收集到的样本数据，确定自变量和因变量间的数学关系式，即建立回归方程结果分析和检验模型对比和确认一元线性回归模型一元线性回归模型一元线性回归模型描述的是两个要素（变量）之间的线性相关关系。假设有两个地理要素（变量）x和y，x为自变量，y为因变量。则一元线性回归模型的基本结构形式为 式中，a和b为待定参数；α=1,2，…，n为各组观测数据的下标； 为随机变量。若无法区分两变量中何为因变量（如高度和重量），用相关分析，不用回归分析b是回归系数(regression coefficient)（回归直线的斜率） 其统计学意义是：自变量每变化一个单位，应变量平均变化的单位数．随机变量 ，又称残差或随机扰动项、随机干扰项，当回归方程确定时，它是因变量回归结果与原始值的差。误差项或随机扰动项的来源：被忽略的因素测量误差随机误差模型的设定误差一元线性回归模型若记 和 分别为参数a与b的拟合值，则得到一元线性回归模型 是y的估计值，亦称回归值。 描述x与y之间相关关系的拟合直线称为回归直线。参数a、b的最小二乘估计ei为实际观测值yi与回归值 之差，刻画两者的偏离程度（误差）参数a、b的最小二乘法估计参数a、b最小二乘拟合原则：误差ei的平方和达到最小，即根据取极值的必要条件，有参数a与b的拟合值计算其中建立一元线性回归模型的过程，就是用变量 和 的实际观测数据测定参数a和b的最小二乘估计值 和 的过程。几个概念由自变量引起的变差平方和能够由回归方程表示的部分称为回归平方和（U）由其它随机因素引起的变差平方和无法用回归方程表示，称残差平方和（Q）或剩余平方和线性回归方程的显著性检验：F检验检验统计量F：回归平方和U：误差平方和Q：检验结果说明在显著水平α下，若FFα（1， n-2），回归方程效果在a水平下显著当FF0.10（1， n-2），回归