气候统计一元线性回归，方差分析，显著性检验PPT.pptVIP

例2 1. 前言 2. 一元线性回归模型和参数估计 3. 方差分析 4. 相关系数与线性回归 5. 显著性检验 6. 残差分析 回归分析Part I 回归分析 第二章 回归分析 第二章 第四章 回归分析 标题 气候统计方法与应用 Part I 一元线性回归，方差分析，显著性检验 什么是回归分析？ 数学的一个重要任务是从数量方面分析、揭示、表达现实世界中普遍地存在着的变量之间的关系。一般来说，变量之间的关系可分为两类： 1. 确定性的函数关系：已知一个（或几个）变量的值，就可以精确地求出另一个变量的值。 2. 非确定性的相关关系：几个变量之间存在着密切的关系，但不能由一个（或几个）变量的值精确地求出另一个变量的值。在相关关系中至少有一个变量是随机变量。 回归分析是研究变量之间的相关关系的一种统计方法。回归（regression）这一术语是1886年高尔顿（Galton）研究遗传现象时引进的。 1. 前言 2. 一元线性回归模型的建立 3. 方差分析 4. 相关系数与线性回归 5. 显著性检验 回归分析Part I 回归分析对于大气科学有什么用？ 大气是一个非线性动力系统，从确定性的意义上讲大气运动不具有完全的可预报性; 天气业务预报和气候预测都是在统计预报的基础上发展而来的； 在数值预报盛行前纯粹的统计预报是天气和气候预测的主要手段； 数值预报逐渐成熟后，统计方法与数值预报相结合可丰富预报结果 提供具体气象要素的概率预报 提供非格点地点，即站点（如具体城市）的详细预报结果 1. 前言 2. 一元线性回归模型的建立 3. 方差分析 4. 相关系数与线性回归 5. 显著性检验 回归分析Part I 回归分析对于大气科学有什么用？ 对于短期（数小时）临近预报和长期（数周以上）数值预报无法及时得到或无法准确预报，统计方法则更具优势； 回归分析在大气科学中可用来寻找若干气象变量之间统计关系，从而获得预报量和预报因子的简单数学关系； 气象预报业务中最基本的方法之一； 包括一元线性回归、多元回归和非线性回归等。 1. 前言 2. 一元线性回归模型的建立 3. 方差分析 4. 相关系数与线性回归 5. 显著性检验 回归分析Part I 一元回归模型和参数估计 方差分析 相关系数与线性回归 显著性检验 回归方程的显著性检验 回归系数的显著性检验 应用举例 本节内容提要 1. 前言 2. 一元线性回归模型和参数估计 3. 方差分析 4. 相关系数与线性回归 5. 显著性检验 回归分析Part I 一元线性回归模型和参数估计 具体步骤： (1).数据基本特征的观察 1. 前言 2. 一元线性回归模型和参数估计 3. 方差分析 4. 相关系数与线性回归 5. 显著性检验 回归分析Part I 例1 北京1951-1970年平均最低温度(Tm)和环流指数(A) 数据的散点图可见二者的关系大体在一直线附近 yi= α+βx i+ ? i (i =1，2，…，n) (2). 预报量y 与预报因子x由两部分叠加而成：一是x 的线性式 α+βx；二是由随机因素引起的误(残)差? 。于是有 y = α+βx +? （1） 假定?i 相互独立，且? i ~ N(0, ? 2) 。称（1）式为线性回归的数学模型。 (3). 为估计未知参数α和β ，将观测值（xi，yi）代入得 一元线性回归模型的建立 1. 前言 2. 一元线性回归模型和参数估计 3. 方差分析 4. 相关系数与线性回归 5. 显著性检验 回归分析Part I 则 预报量的估计量记为 残差估计量为 (4). α，β的最小二乘估计 设 a ,b分别为α，β的估计值，即 1. 前言 2. 一元线性回归模型和参数估计 3. 方差分析 4. 相关系数与线性回归 5. 显著性检验 回归分析Part I 选取a和b使残差平方和Q最小: 1. 前言 2. 一元线性回归模型和参数估计 3. 方差分析 4. 相关系数与线性回归 5. 显著性检验 回归分析Part I 考虑残差平方和： (4). α，β的最小二乘估计 1. 前言 2. 一元线性回归模型和参数估计 3. 方差分析 4. 相关系数与线性回归 5. 显著性检验 回归分析Part I 称它们为正规（正则）方程。