[理学]统计学第7章.ppt

一元线性回归模型的假定 在实际应用中，我们对X和Y所代表的总体往往不可能全面的观察和了解，而只能从中抽取部分资料作为样本，并通过样本提供的信息来认识总体，找出总体回归模型的估计式，其估计式的方程式可写为: 简单线性回归模型 其中：a，b和ei分别为A、B及εi的估计量。 由于抽样的随机性，使样本回归线不可能与总体回归完全重合，从而会出现样本回归函数高估或低估总体回归函数的情况，我们能做的就是设法使样本回归函数尽可能接近总体回归函数，也就是说要使回归方程参数的估计值a、b尽量接近总体真实参数A、B。 样本回归模型 一元线性回归方程的几何意义 截距 斜率 一元线性回归方程的可能形态 ?为正 ?为负 ?为0 回归直线的拟合 总体一元线性 回归方程: 样本一元线性回归方程： 以样本统计量估计总体参数 斜率（回归系数） 截距 截距a 表示在没有自变量x的影响时，其它各种因素对因变量y的平均影响；回归系数b 表明自变量x每变动一个单位，因变量y平均变动b个单位。 (估计的回归方程) 随机干扰：各种偶然因素、观察误差和其他被忽视因素的影响 X对y的线性影响而形成的系统部分，反映两变量的平均变动关系，即本质特征。 残差(Residual):e 一元线性回归方程 中参数a、b的确定： 最小平方法 基本数学要求 整理得到由两个关于a、b的二元一次方程组成的方程组： 进一步整理，有： 学生 身高 x 体重 y x2 y2 xy 估计值 ? 残差 y-? A B C D E F G H I J 158 160 162 164 166 168 170 172 174 176 47 50 48 55 62 60 52 61 70 65 24964 25600 26244 26896 27556 28224 28900 29584 30276 30976 2209 2500 2304 3025 3844 3600 2704 3721 4900 4225 7426 8000 7776 9020 10292 10080 8840 10492 12180 11440 47.291 49.448 51.606 53.764 55.921 58.079 60.236 62.394 64.552 66.709 -0.291 0.552 -3.606 1.236 6.079 1.921 -8.236 -1.394 5.448 -1.709 ? 1670 570 279220 33032 95546 - 0 【分析】因为工业总产值与能源消耗量之间存在高度正相关关系（ ），所以可以拟合工业总产值对能源消耗量的线性回归方程。 【例】建立工业总产值对能源消耗量的线性回归方程 资料 解：设线性回归方程为 即线性回归方程为： 计算结果表明，在其他条件不变时，能源消耗量每增加一个单位（八万吨），工业总产值将增加0.7961个单位（亿元）。 回归模型的检验 1、拟合优度检验 确定回归直线后，需要评价这一直线方程是否有效地反映了这两变量之间的关系。评价回归方程配合好坏的一个主要指标是判定系数(或称确定系数) 是相关系数的平方，用 表示；用来衡量回归方程对y的解释程度。 判定系数取值范围： 越接近于1，表明x与y之间的相关性越强； 越接近于0，表明两个变量之间几乎没有直线相关关系. 判定系数 误差平方和 回归 平方和 总离差平方和 总偏差 = 回归偏差 + 剩余偏差 r2表示全部偏差中有百分之几的偏差可由x与y的回归关系来解释 r 的符号同 b 数量关系及意义 判定系数与相关系数的关系 学生 身高 体重 估计值 A B C D E F G H I J 158 160 162 164 166 168 170 172 174 176 47 50 48 55 62 60 52 61 70 65 24964 25600 26244 26896 27556 28224 28900 29584 30276 30976 2209 2500 2304 3025 3844 3600 2704 3721 4900 4225 7426 8000 7776 9020 10292 10080 8840 10492 12180 11440 47.29 49.45 51.61 53.76 55.92 58.08 60.24 62.39 64.55 66.71 -9.71 -7.55 -5.39 -3.24 -1.08 1.08 3.24 5.39 7.55 9.71 -10 -7 -9 -2 5 3 -5 4 13 8 1670 570 279220 33032 95546 - 0 0 判定系数与相关系数的区别： 判定系数无方向性