[数学]第九章 方差分析及回归分析.ppt

第九章 方差分析及回归分析 单因素试验的方差分析 双因素试验的方差分析 一元线性回归 多元线性回归 分别检验假设 双因素无重复试验的方差分析表 总和 误差 因素B 因素A F比 均方 自由度 平方和 方差来源 例4 假定对3个小麦品种和3块试验地块进行区组设计试验，得到如下的数据： 表 小麦品种区组试验数据 小麦品种（A） 试验地块（B） 总和 B1 B2 B3 A1 258 279 242 779 A2 302 314 336 952 A3 321 318 327 966 总和 881 911 905 2697 在这个问题中我们关心的是小麦的不同品种之间在产量上的差异。由于地块不同对小麦的产量也会有 影响，因此在比较试验结果时，要扣除地块的影响之后再来比较品种的差异。假定品种与地块之间无交互效应，则可对上述数据进行双因素可加效应模型的方差分析。 双因素无重复试验的方差分析表 8 8558.0000 总和 289.3333 4 1157.3333 误差 6.94 0.29 84.0000 2 168.0000 因素B 6.94 12.50 3616.3333 2 7232.6667 因素A F值α=0.05 F比 均方 自由度 平方和 方差来源 在这个问题中我们所关心的是因素A的效应，由方差分析表知，原假设不成立，即认为小麦品种的产量之间有显著差异。 在这里，品种3的单产最高，而品种1的产量最低，因此可以断定品种3明显地优于品种1。 §3 一元线性回归分析 一、确定性关系： 当自变量给定一个值时，就确定应变量的值与之对应。 如：在自由落体中，物体下落的高度h与下落时间t之间有函数关系： 变量与变量之间的关系 二、相关性关系： 变量之间的关系并不确定，而是表现为具有随机性的一种“趋势”。即对自变量x的同一值，在不同的观测中，因变量Y可以取不同的值，而且取值是随机的，但对应x在一定范围的不同值，对Y进行观测时，可以观察到Y随x的变化而呈现有一定趋势的变化。 如：身高与体重，不存在这样的函数可以由身高计算出体重，但从统计意义上来说，身高者，体也重。 再如：父亲的身高与儿子的身高之间也有一定联系，通常父亲高，儿子也高。 回归分析——研究相关性关系的最基本，应用最广泛的方法。 （一）一元线性回归 在实际问题中，回归函数μ(x)一般是未知的， 需要根据试验数据去估计。 一元线性回归要解决的问题： （二）a,b的估计——最小二乘估计 正规方程系数行列式 在误差为正态分布假定下，最小二乘估计等价于极大似然估计。 事实上，似然函数 例1 K.Pearson收集了大量父亲身高与儿子 身高的资料。其中十对如下：(单位:吋) 70 70.1 68.3 67.4 67.1 66.9 65.5 66 65.2 63.6 儿子 身高y 74 72 70 68 67 66 65 64 62 60 父亲 身高x 求Y关于x的线性回归方程。 （三）误差方差的估计 例2 求例1中误差方差的无偏估计。 （1）影响Y取值的，除了x，还有其他不可忽略的因素； （2）E(Y)与x的关系不是线性关系，而是其他关系； （3）Y与x不存在关系。 （四）线性假设的显著性检验 采用最小二乘法估计参数a和b，并不需要事先知道Y与x之间 一定具有相关关系，即使是平面图上一堆完全杂乱无章的散 点，也可以用公式求出回归方程。因此μ(x)是否为x的线性函 数，一要根据专业知识和实践来判断，二要根据实际观察得 到的数据用假设检验方法来判断。 若原假设被拒绝，说明回归效果是显著的，否则，若接受原假设，说明Y与x不是线性关系，回归方程无意义。回归效果不显著的原因可能有以下几种： 例3 检验例1中回归效果是否显著，取α=0.05。 （五）回归系数b的置信区间 当回归效果显著时，常需要对回归系数b作区间估计。 (六)回归函数 函数值的点估计和置信区间 （七）Y的观察值的点预测和预测区间 * §1 单因素试验的方差分析 例 假设某药物研究者为检验a,b两种化学物质的抗癌效果，要做动物试验。通常的作法如下所述：他将一些患有某种癌的白鼠随机地分成三组。其中两组分别注射a,b两种化学物质，而第三组则不作处理，作为对照。记第一组：注射a物质，第二组：注射b物质，第三组：不做处理。经过一段时间观察后，他得到寿命数据 （一）单因素试验 设第j组有 只老鼠寿命分别为 这是一个典型的最简单分组试验方案。 分组的依据为药物：a,b,无。 通常，分组的依据称为“因素”，因素的不同状态称为因素的“水平”。此例因素（药物）有三