因变量y称为预报变量我们可以用下面的线性回归模型-artistjicom.PPT

什么是回归分析？ （内容） 从一组样本数据出发，确定变量之间的数学关系式 对这些关系式的可信程度进行各种统计检验，并从影响某一特定变量的诸多变量中找出哪些变量的影响显著，哪些不显著 利用所求的关系式，根据一个或几个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 回归分析与相关分析的区别 相关分析中，变量 x 变量 y 处于平等的地位；回归分析中，变量 y 称为因变量，处在被解释的地位，x 称为自变量，用于预测因变量的变化 相关分析中所涉及的变量 x 和 y 都是随机变量；回归分析中，因变量 y 是随机变量，自变量 x 可以是随机变量，也可以是非随机的确定变量 相关分析主要是描述两个变量之间线性关系的密切程度；回归分析不仅可以揭示变量 x 对变量 y 的影响大小，还可以由回归方程进行预测和控制 2、残差平方和 残差平方和越小模拟效果越好 （三）相关指数 法 （1）公式 我们可以用相关指数R2来刻画回归的效果，其计算公式是 （2） 解释 预报 1 四、小结 用身高预报体重时，需要注意下列问题： 1、回归方程只适用于我们所研究的样本的总体； 2、我们所建立的回归方程一般都有时间性； 3、样本采集的范围会影响回归方程的适用范围； 4、不能期望回归方程得到的预报值就是预报变量的精确值。 事实上，它是预报变量的可能取值的平均值。 ——这些问题也使用于其他问题。 涉及到统计的一些思想： 模型适用的总体； 模型的时间性； 样本的取值范围对模型的影响； 模型预报结果的正确理解。 小结 * 一、复习 问题1：正方形的面积y与正方形的边长x之间 的函数关系是 y = x2 确定性关系 问题2：某水田水稻产量y与施肥量x之间是否 有一个确定性的关系？ 例如：在 7 块并排、形状大小相同的试验田上 进行施肥量对水稻产量影响的试验，得 到如下所示的一组数据： 施化肥量x 15 20 25 30 35 40 45 水稻产量y 330 345 365 405 445 450 455 1、变量之间的两种关系 自变量取值一定时，因变量的取值带有一定随机性的两个变量之间的关系叫做相关关系。 1）：相关关系是一种不确定性关系； 注 对具有相关关系的两个变量进行统计分析的方法叫回归分析。 2）： 2、求回归直线方程的步骤： （3）代入公式 （4）写出直线方程为y=bx+a,即为所求的回归直线方程。 ^ 0 设y = x+ + e 二、举例 三、强弱分析 （一）、相关系数法 （二）、残差法 函数模型与回归模型之间的差别 函数模型： 线性回归模型： 当随机误差恒等于0时， 线性回归模型就变为函数模型 函数模型与回归模型之间的差别 函数模型： 回归模型： 线性回归模型y=bx+a+e增加了随机误差项e，因变量y的值由自变量x和 随机误差项e共同确定，即自变量x只能解析部分y的变化。 在统计中，我们也把自变量x称为解析变量，因变量y称为预报变量。 我们可以用下面的线性回归模型来表示： y=bx+a+e， (3) 其中a和b为模型的未知参数，e称为随机误差。 y=bx+a+e， E(e)=0,D(e)= (4) 思考: 产生随机误差项e的原因是什么？ 随机误差e的来源(可以推广到一般）： 1、用线性回归模型近似真实模型所引起的误差； 2、忽略了其它因素的影响：影响身高 y 的因素不只是体重 x，可能还包括遗传基因、饮食习惯、生长环境等因素； 3、身高 y 的观测误差。 以上三项误差越小，说明我们的回归模型的拟合效果越好。 在回归模型中，x叫解释变量， y叫预报变量， e叫随机误差。 下面用残差进行分析 1、残差图法