[理学]第十二讲 回归分析.ppt

法二 化为多元线性回归： t=1/30:1/30:14/30; s=[11.86 15.67 20.60 26.69 33.71 41.93 51.13 61.49 72.90 85.44 99.08 113.77 129.54 146.48]; T=[ones(14,1) t (t.^2)]; [b,bint,r,rint,stats]=regress(s,T); b,stats 得回归模型为 ： Y=polyconf(p,t,S) plot(t,s,k+,t,Y,r) 预测及作图 （二）多元二项式回归 命令：rstool（x，y，’model’, alpha） n?m矩阵 显著性水平 （缺省时为0.05） n维列向量 * 回归分析 回归分析在一组数据的基础上研究这样几个问题： （i）建立因变量y与自变量x , x , , xm 之间的回归模型（经验公式）； （ii）对回归模型的可信度进行检验； （iii）判断每个自变量x (i=1,2,…,m) 对y 的影响是否显著； （iv）诊断回归模型是否适合这组数据； （v）利用回归模型对y 进行预报或控制。 一元线性回归 多元线性回归 回归分析 数学模型及定义 *模型参数估计 *检验、预测与控制 可线性化的一元非线 性回归（曲线回归） 数学模型及定义 *模型参数估计 *多元线性回归中的 检验与预测 逐步回归分析 一、数学模型 例1 测16名成年女子的身高与腿长所得数据如下： 以身高x为横坐标，以腿长y为纵坐标将这些数据点（xI，yi）在平面直角坐标系上标出. 散点图 一元线性回归分析的主要任务是： 二、模型参数估计 1、回归系数的最小二乘估计 其中 一个好的拟合方程，其残差应越小越好。残差越小，拟合值与观测值越接近，各观测点在拟合直线周围聚集的紧密程度越高，也就是说，拟合方程 解释y 的能力越强。另外，当剩余标准差 越小时，还说明残差值的变异程度越小。由于残差的样本均值为零。所以，其离散范围越小，拟合的模型就越为精确。 三、检验、预测与控制 1、显著性检验 一般地，回归方程的假设检验包括两个方面：一个是对模型的检验，即检验自变量与因变量之间的关系能否用一个线性模型来表示，这是由F 检验来完成的；另一个检验是关于回归参数的检验，即当模型检验通过后，还要具体检验每一个自变量对因变量的影响程度是否显著。这是由t 检验完成。在一元线性分析中，由于自变量的个数只有一个，这两种检验是统一的，它们的效果完全是等价的。但是，在多元线性回归分析中，这两个检验的意义是不同的。从逻辑上说，一般常在F 检验通过后，再进一步进行t 检验。 （Ⅰ）F检验法 （Ⅱ）t检验法 （Ⅲ）r检验法 2、回归系数的置信区间 3、预测与控制 （1）预测 （2）控制 四、可线性化的一元非线性回归 （曲线回归） 例2 出钢时所用的盛钢水的钢包，由于钢水对耐火材料的侵蚀， 容积不断增大.我们希望知道使用次数与增大的容积之间的关 系.对一钢包作试验，测得的数据列于下表： 散 点 图 此即非线性回归或曲线回归 问题（需要配曲线） 配曲线的一般方法是： 通常选择的六类曲线如下： 一、数学模型及定义 多元线性回归 二、模型参数估计 解得估计值 三、多元线性回归中的检验与预测 （Ⅰ）线性模型检验——F检验法 （Ⅱ）回归系数检验——t检验法 (残差平方和） 2、预测 （1）点预测 （2）区间预测 四、逐步回归分析 （4）“有进有出”的逐步回归分析。 （1）从所有可能的因子（变量）组合的回归方程中选择最优者； （2）从包含全部变量的回归方程中逐次剔除不显著因子； （3）从一个变量开始，把变量逐个引入方程； 选择“最优”的回归方程有以下几种方法： “最优”的回归方程就是包含所有对Y有影响的变量, 而不包含对Y影响不显著的变量回归方程。 以第四种方法，即逐步回归分析法在筛选变量方面较为理想. 这个过程反复进行，直至既无不显著的变量从回归方程中剔除，又无显著变量可引入回归方程时为止。 逐步回归分析法的思想： 从一个自变量开始，视自变量Y作用的显著程度，从大到地依次逐个引入回归方程。 当引入的自变量由于后面变量的引入而变得不显著时，要将其剔除掉。 引入一个自变量或从回归方程中剔除一个自变量，为逐步回归的一步。 对于每一步都要进行Y值检验，以确保每次引入新的显著性变量前回归方程中只包含对Y作用显著的变量。 统计工具箱中的回归分析命令 1、多元线性回归 2、多项式回归 3、非线性回归 4、逐步回归 多元线性回归 b=regress( Y, X ) 1、确定回归系数的点估计值