田间试验与统计方法11_响应面设计教学幻灯片.pptVIP

第11 章 回归设计（响应面分析）及DESIGN-EXPERT优化BBD CCD;主要内容;11.1 回归设计概述 回归设计（也称为响应曲面设计），目的是寻找试验指标与各因子间的定量规律，考察的因子都是定量的 。 它是在多元线性回归的基础上用主动收集数据的方法获得具有较好性质的回归方程的一种试验设计方法。 ;11.1.1 多项式回归模型 在一些试验中希望建立指标y与各定量因子 （又称变量） 间相关关系的定量表达式，即回归方程，以便通过该回归方程找出使指标满足要求的各因子的范围 。 可以假定 y与 间有如下关系： 这里 是 的一个函数，常称为响应函数，其图形也称为响应曲面； 是随机误差，通常假定它服从均值为0，方差为 的正态分布。 在上述假定下， 可以看作为在给定 后指标的均值，即 ; 称z 的可能取值的空间为因子空间。我们的任务便是从因子空间中寻找一个点z0 使E(y)满足质量要求。 当f的函数形式已知时，可以通过最优化的方法去寻找z0 。在许多情况下f的形式并不知道，这时常常用一个多项式去逼近它，即假定： ; 在实际中常用的是如下的一次与二次回归方程（也称一阶与二阶模型）： ;11.1.2 多元线性回归 (14.1.1)是一个多项式回归模型，在对变量作了变换并重新命名后也可以看成是一个多元线性回归模型。 1．回归模型 设所收集到的n组数据为 假定回归模型为： ;记随机变量的观察向量为 未知参数向量为 不可观察的随机误差向量为 结构矩阵 那么上述模型可以表示为： ; 2．回归系数的最小二乘估计 估计回归模型中回归系数的方法是最小二乘法。 记回归系数的最小二乘估计（LSE）为 ，应满足如下正规方程组： 当 存在时，最小二乘估计为 在求得了最小二乘估计后，可以写出回归方程： 今后称 为正规方程组的系数矩阵， 为正规方程组的常数项向量， 为相关矩阵。 在前述模型下，有 ;若记 ，那么 ;; 5．对回归系数的显著性检验 当回归方程显著时，可进一步检验某个回归系数是否为0，也即检验如下假设： 此种检验应对j=1,2,…, p逐一进行。 常用的检验方法是t检验或等价的F检验，F检验统计量为： 其中 是 中的第j+1个对角元。 记分子为 ，即 ，它是因子 的偏回归平方和 分母是模型中 的无偏估计。 ， 也称为 的标准误，即其标准差的估计。 ; 当H0j为真时，有 。 给定的显著性水平 ，当 时拒绝假设H0j，即认为 显著不为零，否则可以将对应的变量从回归方程中删除。 注：当有不显著的系数时，一般情况下一次只能删除一个F值最小的变量，重新计算回归系数，再重新检验。通常要到余下的系数都显著时为止。 ;11.1.3 回归分析对数据的处理由被动变主动 古典的回归分析方法只是被动地处理已有的试验数据，对试验的安排不提任何要求，对如何提高回归方程的精度研究很少。 后果： （1）盲目增加试验次数，而这些试验结果还不能提供充分的信息，以致在许多多因子试验问题中达不到试验目的。 （2）对模型的合适性有时无法检验，因为在被动处理数据时在同一试验点上不一定存在重复试验数据。 为了适应寻求最佳工艺、最佳配方、建立生产过程的数学