[理学]多元线性回归预测法.pptVIP

多元线性回归预测法 多元线性回归模型 估计回归参数 多元线性回归模型的检验 预测区间 标准化回归系数 一、多元线性回归模型 案例 承上例，该饮料公司的许多零售点设在体育比 赛场地，该公司明白，当比赛一边倒时，观众会 比往常喝得多一些，因为这时观众就有时间注意 到口渴，而不是把注意力完全集中在比赛场上。 因此，可以利用比赛结束时的比分差作为第 二个自变量，其预测模型就成为： 饮料销售量=b0+b1气温+ b2比分差 表4-5 二元回归分析计算表 解 （1）设饮料销售量为y，气温为x1，比分差为x2，则二元回归模型为 （2）计算回归系数。 （3）R检验 (4) 拟合优度检验 由此可见，此回归模型解释了饮料销售变差的94.9%，而一元线性回归模型只解释了饮料销售量变差的74%。 (6) t检验 129950 1302 8302 41545 2771 112455 100 270 3800 合计 10000 289 625 8160 425 12000 17 25 480 10 400 36 1225 2400 210 14000 6 35 400 9 81 64 289 2160 136 4590 8 17 270 8 34225 81 64 1755 72 1560 9 8 195 7 28900 4 400 420 40 4200 2 20 210 6 8100 64 1369 3760 296 17390 8 37 470 5 12100 36 1764 2940 252 20580 6 42 490 4 19600 484 1225 11440 770 18200 22 35 520 3 2025 100 441 3350 210 7025 10 21 335 2 2500 144 900 5160 360 12900 12 30 430 1 （10） （9） （8） （7） （6） （5） （4） （3） （2） （1） 比分差 ( ) 温度 ( ) 销售量 ( ) 时期 （ ） 71 3545 9855 302 1012 合计 -14 700 -200 49 4 10 -32 -80 160 16 64 9 20 220 1100 4 100 8 19 185 3515 1 361 7 56 1360 1190 64 49 6 -20 -180 900 4 100 5 -60 -440 1650 16 225 4 96 1680 1120 144 64 3 0 0 270 0 36 2 6 100 150 4 9 1 (16) (15) (14) (13) (12) 时期（i） 所求回归预测模型为： 当显著水平 =0.05， =10-3=7时， =0.666， 因 ，说明相关关系显著。 (5) F检验 当显著水平 =0.05时，F0.05（3-1，10-3）=4.74 ，说明回归效果非常显著。 * * 设随机变量y与x1,x2,…,xp一般变量的线性回归模型为 (4-20) 其中， 是p+1个未知参数， 称为回归常数， 称为回归系数。y称为因变量，而x1,x2,…,xp是p个可以精确测量并可控制的一般变量，称为自变量。 是随机误差，对随机误差项假定 对一个实际问题，如果我们获得n组观测数据（xi1,xi2,…,xip;yi), i=1,2,…,n，则线性回归模型式（4-20）可表示为 写成矩阵形式为 (4-21) 其中 (4-22) 二、估计回归参数 回归系数B的估计 采用最小二乘法估计，设观察值与模型估计值的残差为E，则 其中 (4-23) 根据最小平方法要求，应有 即 由极值原理，根据矩阵求导法则，对B求导，并令其等于零，则得 整理得回归系数向量B的估计值 (4-24) 2. 二元线性回归方程回归系数的估计 二元线性回归方程为 此时 得出 的计算公式如下： (4-25) (4-28) (4-27) (4-26) 以上计算公式较繁，较易算的计算公式为 (4-30) (4-29) (4-31) 三、多元回归模型的检验 1. 复相关系数检验 检验线性关系密切程度的指标称为相关系数，在多元回归模型中，由于自变量在两个以上，所以称为复相关系数. 样本复相关系数的计算公式是 (4-32) 复相关系数检验的步骤为： 第一步，计算复相