[高等教育]51回归模型.docVIP

第一节 回归模型 　　回归分析是研究随机现象中变量之间关系的一种数理统计方法。它的主要内容是：从一组数据出发，确定这些变量间的关系式，对这些关系式的可信程度进行统计检验，从影响一个量的许多变量中，判断哪些变量的影响是显著的，哪些是不显著的，寻找具有较好统计性质的回归设计，利用所求得的关系式进行预报和控制。 　　一、一元线性回归模型 　　y和变量x之间关系的一种方法，即通过分析数据，找出变量x和y间的一种关系。如果两个变量的关系是线性的，那就是一元线性回归分析所研究问题。 　　那么，怎样建立一元线性回归的数学模型呢？ 　　n对数据(x1，y1)，(x2，y2)，…，(xn，yn)表示在平面直角坐标系(图5－1)中，考察这些点的大致分布情况，如果这些点之间近似存在着线性关系y＝a＋bx，那么，由最小二乘法可得 　　　 　　 　　　 　　　 　　　 　　 　　量x和y之间的规律，即y和x是否显著地存在线性关系呢？这可以用F 方和为S剩， 　　则 　 　　　　 　　如果在给定显著性水平α下，有 P｛F≤Fα(1，n－2)｝＝1－α， 　　1－α的把握确定回归直线的显著性。否则，在给定显著性水平α下，回归不显著，即变量x和y的线性关系不显著。 　　二、多元线性回归模型 　　y和另外两个变量x1和x2近似存在线性关系 y＝a＋b1x1＋b2x2， 　　　 　　　 　　　 　　　 　　　　　　 　　y与另外p个变量x1，x2，x3，…，xp近似存在线性关系 y＝β0＋β1x1＋β2x2＋…＋βpxp， 　　n次试验，得到数据组(yi，xi1，xi2，…，xip)(i＝1，2，…，n)。 　　这就有 　　　 　　　 　　Y＝Xβ。经过矩阵的运算，并运用最小二乘法， (XTX)-1是XTX的逆矩阵。 　　二元线性回归也可以用矩阵的形式来表示。设 y＝β0＋β1x1＋β2x2， 　　于是 　　 　　　　　 　　y和x之间有关系式y＝β0eβx，只要两边取对数，并令y′＝lny，β′0＝lnβ0，就可以将上述非线性回归问题转化为线性回归问题。 　　三、回归模型在教学评估中的应用举例 　　1 　　15名学生两个学期的数学期末考试成绩如表5－1(x、y分别表示第一学期、第二学期的期末成绩)，下面用一元线性回归进行分析。 　　　 　　　 　　所以，这组学生的成绩相关。根据一元线性回归计算方法，得 　　lxy1117，lyy＝1365.6， 　　　　　 　　F检验进行方差分析，检验回归的显著性。 　　　 　　　　　　 　　F0.01(1，13)＝9.07，可见F＞F0.01(1，13)，于是我们有99%的把握认为回归是显著的，即x和y之间存在线性关系。 　　5－2(x表示预测成绩，y表示实际的考试成绩)。 　　同样，用第三次考试成绩作为基础，又可以预测第四次考试成绩，依此类推。当然，每一次的预测都应该与实际分数进行比较，判断预测的准确性，并加以修正。 　　在不需要较为精确地对学生学习水平作出预测的情况下，为避免较大的计算量，也可以采用比较简单的“平均数”法，粗略地对学生的学习状况作出回归分析。具体地可以按下面步骤完成。 　　n个测验数据点(xi，yi)(i＝1，2，…，n)分成大致均匀的两组。若n为偶数，则平分成两组；若n为奇数，可 　　第二步，求平均数。分别求出这两组数据的各个平均数，并组成新 　　P、Q两点的直线 　　n个点的一元线性回归直线。 　　15名学生的数学成绩，按照前8名为一组，后7名为另一组，分成两组，然后用表5－3(x、y分别表示第一学期、第二学期期末成绩)的数据计算。 　　　 　　P(79.3， 76.5)， Q(73.7， 70.1)，而通过P，Q的直线 　　　　　 　　15名学生的学习成绩。 　　2 　　(如平时成绩，考试成绩)中，预测这组学生该学科的成绩。现在对上述15名学生三个学期数学期末成绩(在表5－4中，x1、x2和y分别表示高一第一学期、第二学期和高二第一学期期末成绩)进行二元线性回归分析． 　　由二元线性回归计算方法，得到： 　 　　 　 　　 　　　 　　　　　　b10.282，b2＝0.622。 　　 　　x1和x2对y的回归并不一定是显著的。这里存在着以下几种情况：因素x1对y回归显著，而因素x2对y回归不显著；因素x1对y回归不显著，而因素x2对y回归显著；因素x1和x2对y回归都显著；因素x1和x2对y回归都不显著。 　　5－5，对前面的二元线性回归方程进行检验。 　　F0.05(2，12)＝3.89＜F，所以得到的回归直线 是显著的。 　　15名学生的两个学期期末成绩，预测第三个学期的期末成绩，然后，照样可以把第三个学期的成绩作为一个因素(如因素x2)，去预测第四个学期的期末成绩。不过，每一次预测值与