确定解释变量和被解释变量一元线性回归模型描述因变量y如何依赖于.pptVIP

* * 高斯基本假设 * * * * * * * * * * * * * * * * * * * * （3）最小二乘估计的小样本性质 10 对G-M模型L(Y, X?, ? 2I )有： 推论 设C为p维常向量，则有 （3）最小二乘估计的小样本性质 10 对G-M模型L(Y, X?, ? 2I )有： 定理2 （Gauss-Markov定理） 10 对G-M模型L(Y, X?, ? 2I )有： 残差平方和为 引理 （3）最小二乘估计的小样本性质 10 对G-M模型L(Y, X?, ? 2I )有： 定理3 为?2的无偏估计。 证： （3）最小二乘估计的小样本性质 10 对G-M模型L(Y, X?, ? 2I )有： 定理3 为?2的无偏估计。 证： （3）最小二乘估计的小样本性质 10 对G-M模型L(Y, X?, ? 2I )有： 为?2的无偏估计。 但S不是?的无偏估计。 称S为剩余标准差。 （3）最小二乘估计的小样本性质 20 对正态线性模型NL(Y, X?, ? 2I )有： 定理 （3）最小二乘估计的小样本性质 3. 显著性检验（Significant Test） （1）回归方程的显著性检验 Y=X? + ? 记 即 接受H0，则线性回归方程不显著 拒绝H0，则线性回归方程显著 以下假定模型为正态线性模型。 ? 平方和分解式 对给定的观测数据矩阵 平方和分解公式： 平方和分解公式： 其中 —总偏差平方和，记为Lyy或TSS —回归平方和，记为U或MSS —残差（剩余）平方和，记为Q或RSS Lyy = Q +U 或TSS= RSS +MSS 在正态的假设下，构造统计量 从而检验统计量为： ? 正规方程的等价形式及U的计算公式 回归模型 数据中心化处理 其中 正规方程 其中 其中 正规方程为 B的最小二乘估计为 数据中心化后的线性回归模型 残差平方和 （2）回归系数的显著性检验 定义：设U为 x1,???, xk对Y的回归平方和，U(i )为去掉xi后余下的p?2个自变量对Y的回归平方和，称Pi = U?U(i)（或 Pi = Q(i) ?Q）为变量xi的偏回归平方和. 可以证明： 其中lii为L?1的第i个对角线元素， 检验统计量为： 或 在H0(i )成立时， 且与Q相互独立， 或 拒绝域 或 4. “最优”回归方程 5. 预报 预测 y0点的预报区间 设给定点(x01,???, x0p-1 )处Y的观测值 y0点是r.v., 满足 为 y0的一个最小方差线性无偏估计量 定理 设给定点(x01,???, x0,p-1 )处Y的观测值 y0及样本(xj 1, xj 2,???, xj ,p-1 , yj )( j=1,2,???, n ) 满足模型 则 是 y0的最小方差线性无偏估计量，且 则 定理 设给定点(x01,???, x0,p-1 )处Y的观测值 y0及样本(xj 1, xj 2,???, xj ,p-1 , yj )( j=1,2,???, n ) 满足模型 则 （3）统计量t为 定理 设给定点(x01,???, x0,p-1 )处Y的观测值 y0及样本(xj 1, xj 2,???, xj ,p-1 , yj )( j=1,2,???, n ) 满足模型 则 定理 设给定点(x01,???, x0,p-1 )处Y的观测值 y0及样本(xj 1, xj 2,???, xj ,p-1 , yj )( j=1,2,???, n ) 满足模型 例 题 设某种水泥在凝固时所释放的热量Y(卡/克)与水泥中下列四种化学成分有关： x1----3CaO?Al2O3的成分（%） x2----3CaO?SiO2的成分（%） x3----4CaO?Al2O3?Fe2O3的成分（%） x4----2CaO?SiO2的成分（%） 共观测了13组数据（见表）。试求出Y与x1, x2, x3, x4的回归方程，并对该回归方程和各个回归系数进行检验。 应用SPSS软件中的REGRESSION过程得 平方和分解式为： 2669.579 + 46.184 = 2715.763 均方误差MSE = 46.184/8 = 5.773, 即?2的估计 检验统计量F值为115.606，P值为0.000， 表示拟合的模型是高度显著的。 ProbF 回归方程为： 4个自变量之间存在较强的相关性 * * * * 第一节 一元线性回归回顾 ? 从样本数据出发，确定变量的数学关系式； ? 对关系式的可信程度进行统计检验，找到影响某一特定变量显著因素； ? 根据变量的取值来预测或控制另一个特定变量的取值，并给出这种预测或控制的精确程度. 什么是回归分析？ 回归分析的一般