气候统计一元线性回归，方差分析，显著性检验参考.pptVIP

例2 1. 前言 2. 一元线性回归模型和参数估计 3. 方差分析 4. 相关系数与线性回归 5. 显著性检验 6. 残差分析 回归分析Part I 例2 1. 前言 2. 一元线性回归模型和参数估计 3. 方差分析 4. 相关系数与线性回归 5. 显著性检验 6. 残差分析 回归分析Part I 1987年1月Ithaca and Canandaigua最小温度 建立回归方程为： 由回归系数b的t检验值可知：回归系数显著，即线性回归关系成立； 6. 残差分析 回归分析Part I 残差分析 线性回归的残差 应满足以下几个 条件： 是满足正态分布的独立随机变量； 数学期望为0； 方差为常数； 1. 前言 2. 一元线性回归模型和参数估计 3. 方差分析 4. 相关系数与线性回归 5. 显著性检验 6. 残差分析 回归分析Part I 异方差性（heteroscedasiticity,不满足条件3）） 6. 残差分析 1. 前言 2. 一元线性回归模型和参数估计 3. 方差分析 4. 相关系数与线性回归 5. 显著性检验 6. 残差分析 回归分析Part I 上图表明：在运用计算程序建立回归方程（已假设残差方差定常）后，由于方差的非定常性，则在x和y取值较小段，我们对回归方程的预报性缺乏自信；而在x和y取值较大段，我们又对回归方程的预报性过于自信； 6. 残差分析 1. 前言 2. 一元线性回归模型和参数估计 3. 方差分析 4. 相关系数与线性回归 5. 显著性检验 6. 残差分析 回归分析Part I 异方差性解决方法：采用对数或幂指数变换后的变量 进行回归分析。 6. 残差分析 1. 前言 2. 一元线性回归模型和参数估计 3. 方差分析 4. 相关系数与线性回归 5. 显著性检验 6. 残差分析 回归分析Part I 残差应满足正态分布（条件1），可通过残差的预报Q-Q图来加以判断。 对数变换前：不满足正态分布 对数变换后：满足正态分布 1. 前言 2. 一元线性回归模型和参数估计 3. 方差分析 4. 相关系数与线性回归 5. 显著性检验 6. 残差分析 6. 残差分析 回归分析Part I 残差应是独立随机变量 利用Durbin-Watson检验考察序列的相关性，其检验的统计量： 零假设：残差在时间变化上是独立的，即不存在时间持续性。 6. 残差分析 1. 前言 2. 一元线性回归模型和参数估计 3. 方差分析 4. 相关系数与线性回归 5. 显著性检验 6. 残差分析 回归分析Part I 拒绝域，此时是不独立的 接受域，此时独立的 Durbin-Watson检验 1. 前言 2. 一元线性回归模型和参数估计 3. 方差分析 4. 相关系数与线性回归 5. 显著性检验 6. 残差分析 6. 残差分析 回归分析Part I 预报值的置信区间 对于某一预报因子取值为x0，回归预报量y的方差可以表示为： 在样本量n足够大时，后两项可忽略，此时回归的方差仅为MSE， 对于95%置信度区间就近似为： 均值的不确定 性带来的方差， 即均值的方差 斜率估计的不确定 性带来的方差， 即b的方差 残差的方差， 即MSE 最小二乘由于是误差的平方，因此对野值不具有抵抗力。最小绝对误差虽然对异常值具有抵抗力，但没有解析的结果。 * * 统计学上的自由度（degree of freedom, df），是指当以样本的统计量来估计总体的参数时， 样本中独立或能自由变化的资料的个数，称为该统计量的自由度。 * 预报量的平均值和斜率b均服从样本变化 给定x0的情况下，若x0远离x的平均值，则回归预报量y的估计更加不确定。 * 回归分析 第二章 回归分析 第二章 第四章 回归分析 标题 气候统计方法与应用 Part I 一元线性回归，方差分析，显著性检验 什么是回归分析？ 数学的一个重要任务是从数量方面分析、揭示、表达现实世界中普遍地存在着的变量之间的关系。一般来说，变量之间的关系可分为两类： 1. 确定性的函数关系：已知一个（或几个）变量的值，就可以精确地求出另一个变量的值。 2. 非确定性的相关关系：几个变量之间存在着密切的关系，但不能由一个（或几个）变量的值精确地求出另一个变量的值。在相关关系中至少有一个变量是随机变量。 回归分析是研究变量之间的相关关系的一种统计方法。回归（regressi