[理学]统计学7.pptVIP

* * * 一个二元线性回归的例子(计算机输出结果解释) 销售额与人口数和年人均收入的二元回归方程为 多重判定系数R2= 0.9373；调整后的R2= 0.9194 回归方程的显著性检验 F = 52.3498 FF0.05(2,7)=4.74，回归方程显著 回归系数的显著性检验 t??= 9.3548t??=0.3646，； t?2 = 4.7962 t??=2.3646；两个回归系数均显著 一个含有四个变量的回归 1. 因变量 y 与 x 之间不是线性关系 2. 可通过变量代换转换成线性关系 用最小二乘法求出参数的估计值 并非所有的非线性模型都可以化为线性模型 一、非线性回归概念 7.7可化为线性回归的曲线回归 线性化方法 两端取对数得：lny = ln? + ? x 令：y = lny，则有y = ln? + ? x 基本形式： 图像 ? ? ? ? ? ? 二、几种常见的非线性模型 1? 指数函数 线性化方法 两端取对数得：lg y = lg? + ? lg x 令：y = lgy，x= lg x，则y = lg? + ? x 基本形式： 图像 0? 1 ? ? 1 ? = 1 -1? 0 ? -1 ? =-1 2? 幂函数 线性化方法 令：y = 1/y，x= 1/x, 则有y = ? + ? x 基本形式： 图像 ? 0 ? 0 3? 双曲线函数 线性化方法 x= lgx , 则有y = ? + ? x 基本形式： 图像 ? ? 0 ? 0 4? 对数函数 线性化方法 令：y = 1/y，x= e-x, 则有y = ? + ? x 基本形式： 图像 5? S 型曲线 例：为研究生产率与废品率之间的关系，记录数据如下表。试拟合适当的模型。 废品率与生产率的关系 生产率(周/单位)X 1000 2000 3000 3500 4000 4500 5000 废品率(%)Y 5.2 6.5 6.8 8.1 10.2 10.3 13.0 三、非线性回归（实例） 生产率与废品率的散点图 用线性模型：y =?0??1x+? ，有 y = 2.671+0.0018x 用指数模型：y = ?? x ，有 y =4.05?(1.0002)x 比较 直线的残差平方和＝5.3371指数模型的残差平方和＝6.11。直线模型略好于指数模型 * * * * * * * * * * * * * * * * * * * P值小于0.05，表明你的结论犯错误的风险小于5%。如果只有一个变量，则t值与F值是一致的，F值是t值的平方。如果有两个以上的变量，t值表示每个变量的结果，F值显示所有变量的假设检验结果。 * * * * 人均消费金额对人均国民收入的 回归方程为 y = 54.22286 + 0.52638 x Excel的输出结果 7.4回归方程和回归系数显著性检验 一、离差平方和的分解 变差：y取值的这种波动。变差来源于两个方面（x 的取值不同造成的；除 x 以外的其他因素(如x对y的非线性影响、测量误差等)的影响 对一个具体的观测值来说, 变差的大小可以通过该实际观测值与其均值之差 来表示。 x y y { } } ? 离差分解图 1从图上看有 SST = SSR + SSE 总变差平方和 （SST） { 回归平方和 （SSR） { 残差平方和 （SSE） { 2两端平方后求和有 总平方和(SST)：反映因变量的 n 个观察值与其均值的总离差 回归平方和(SSR)：反映自变量 x 的变化对因变量 y 取值变化的影响，或者说，是由于 x 与 y 之间的线性关系引起的 y 的取值变化，也称为可解释的平方和 残差平方和(SSE)：反映除 x 以外的其他因素对 y 取值的影响，也称为不可解释的平方和或剩余平方和 二、样本决定系数 （判定系数 r2 ） 回归平方和占总离差平方和的比例 反映回归直线的拟合程度 取值范围在 [ 0 , 1 ] 之间 r2 ?1，说明回归方程拟合的越好；r2?0，说明回归方程拟合的越差 判定系数等于相关系数的平方，即r2＝(r)2 三、估计标准误差的概念 实际观察值与回归估计值离差平方和的均方根， 反映实际观察值在回归直线周围的分散状况， 从另一个角度说明了回归直线的拟合程度，是判断回归方程代表性的大小的统计分析指标。 注：上例的计算结果为14.949678 总离差平方和 剩余离差平方和 回归离差平方和 说明因变量的总离差平方和可以用回归模型来解释的比例。 2 1 r y yx - = s s 2 2 2 1 r y yx + = s s 1判定系数和估计标准误差的关系 2 r与s应