第六章回归分析(0版).doc

第六章 回归分析 回归分析是对变量之间作相关分析，并由实验数据建立因变量(为一个随机变量）与多个变量（自变量）之间的数学模型，并对模型作检验以及作短期的预测和控制。 一元线性回归分析： 设,为与线性回归的数学模型，,由n组实测值的散点图大致描绘出与呈线性关系且，，。 回归分析是由n对实测数据估计参数，建立线性回归方程，称为残差，其残差平方和，由最小二乘法使误差平方和达最小，即求： 令 为二元一次线性方程组，其系数行列式，不完全相等 方程有唯一解，唯一的最小点为 = 一元回归分析中令： ，为的离差平方和， ，为的交叉乘积和， ，为的离差平方和， 则有 ， ☆例1、为研究建材产量（万吨）与基建投资额（亿元）之间的相关关系以及建立他们的线性关系，统计了某市一年12月，数据如下： ：13.55，14.38，15.52，15.17，17.48，17.63，20.05，23.14，25.25，25.88，24.83，27.40. （亿元） ：7.65， 8.09， 8.31， 7.88， 8.90， 8.41， 9.53， 11.01，11.19，11.13，10.77，11.35. （万吨） (1)建立与的回归方程 n=12 则 一元回归方程为 回代原始数据初步验证， 又对 有一定误差但在可控范围内。 （2）给出的样本相关系数并检验 的相关系数 样本相关系数为，则 （一般有：） 表明建材产量与基建投资额以98.83%存在着相关关系，1.17%是由随机误差影响所致。 可以证明 拒绝域 对 样本值： 表明 有显著相关性，或由相关关系表 ，也可得出该结论。 （3）回归方程的显著性试验（线性显著性） 不显著 显著 1o称为回归平方和 2o由 其中 3o由 及正态分布的线性组合仍然服从正态分布 标准化则有： 4o当成立时，即 又 及-分布的可加性 当成立时， 对 拒绝域 5o由样本值 = 拒绝，表明与是有显著的线性相关关系。 （4）整个回归方程的检验 ：整体回归方程不显著 ：整体回归方程显著 方差分析表 方差来源 平方和 自由度 均方 F值\ 回归 U=22.91 1 22.91 428.01 残差 Q=0.5352 10 0.05352 总离差 11 对查表 整个回归方程高度显著。 （5）对方差作估计 由 令为的估计量，是的一个无偏估计量，由样本值 （6）预测 1o点预测 若已知，则 2o区间预测 可以证明 当时，则 2、多元线性回归分析 设 ，个自变量 n组实测值 ，。 残差平方和：， 分别对求偏导数，并令其为零，得k+1个方程，k+1个未知数的正规线性方程组的矩阵形式，其中 为一个阶方阵。 为k+1维列向量 为n维列向量 为k+1维列向量 由，当 ， 多元线性回归方程为： 例2、某银行前5月的利润与两个投资项目有相关关系 月份 利润（千万元） 项目一（亿元） 项目二（亿元） 1 3 3 5 2 1 1 4 3 8 5 6 4 3 2 4 5 5 4 6 建立二元线性回归方程 解：由上表构造正规线性方程组的矩阵形式 回代检验 当 当 当 多元线性及非线性回归分析常用于生产、工程、经济、金融及生活中，一般可用统计软件逐步回归分析建立多元线性及非线性回归方程，并用偏回归平方和与误差平方和构成—检验法去验证数学模型的可靠性。如优良水稻品种的选择；居民消费指数的形成；产品的产量、质量；银行的不良贷款率的分析等等，用处十分广泛。 3、非线性回归分析 在实际问题中，有些随机变量与自变量之间并不存在线性相关关系，可通过适当的变换，化为线性回归分析来处理。其步骤是先描出散点图，推测与的函数关系，选择适当的变换化为线性形式并用回归分析的方法求出线性回归方程及返回原来的函数关系即可。 常见的可化为线性方程的曲线方程有： （1）， （2）， （3） （4） 例3、某家电使用的可靠度随使用的年限延续而降低，实测=1~13年的可靠度分别为：0.87，0.787，0.712，0.644，0.582，0.562，0.475，0.429，0.388，0.351，0.317，0.286，0.258，由散点图推测与呈指数关系：。取对数有，令： 计算 ，为与的非线性回归方程，初步验证： =1， ， =8， ， =12，， 有一定误差但在可控范围内，该非线性回归方程可用。 1 - 1 -