应用统计学-经管类-第9章简单相关与一元线性回归分析.pptVIP

* * * * * * * 7-* 几种常见的非线性模型 ? 对数函数 线性化方法 x= lgx , 则有y = ? + ? x 基本形式： 图像 ? ? 0 ? 0 7-* 几种常见的非线性模型 ? S 型曲线 线性化方法 令：y = 1/y，x= e-x, 则有y = ? + ? x 基本形式： 图像 7-* 非线性回归（实例） 【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 7-* 非线性回归（实例） 生产率与废品率的散点图 7-* 非线性回归（实例） 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 7-* 结 束 * * * * * 139 * * * 24 This teleology is based on the number of explanatory variables nature of relationship between X Y. * * * * * * * * * * * * * * * * * * 7-* 总离差平方和的分解 因变量 y 的取值是不同的，y 取值的这种波动称为总离差。总离差来源于两个方面： 由于自变量 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，总离差的大小可以通过该实际观测值与其样本均值之差 来表示—如果假定X对Y没有影响，Y的最好预测是 —你评价一个学校的教学水平？ 7-* 总离差平方的分解（图示） x y y { } } ? 离差分解图 7-* 2. 两端平方后求和有 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） { 拟合的回归曲线不能解释的部分 由拟合的回归曲线解释的部分 7-* 离差平方和的分解 （三个平方和的意义） 总离差平方和(SST) 反映因变量的 n 个观察值与其样本均值的总离差 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。 7-* 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，即SSR在SST中的比例越大，说明回归方程拟合的越好----样本观测值越紧密围绕在样本回归线附近 R2?0，说明回归方程拟合的越差 7-* 总离差平方的分解 x y y { } } ? 离差分解图 （三）显著性检验 所谓回归系数的显著性检验，就是根据样本估计的结果对总体回归系数的有关假设进行检验。 下面我们以? 2的检验为例，介绍回归系数显著性检验的基本步骤： 1. t检验 （1）提出假设。对回归系数进行显著性检验，所提出的假设的一般形式是： 式中，H0表示原假设； H1表示备择假设； 是假设的总体回归系数的真值。在许多回归分析的计算机程序里，常常令 ＝0。这是因为?2是否为0，可以表明X对Y是否有显著的影响。 （2）确定显著水平? 。显著水平的大小应根据犯哪一类错误可能带来损失的大小确定。一般情况下可取0.05。 （3）计算回归系数的t值。 （4）确定临界值。 t检验的临界值是由显著水平和自由度决定的。 这时应该注意，原假设和备择假设设定的方式不同，据以判断的接受域和拒绝域也不相同。对此，在双侧检验的场合，依据?和df，查t分布表所确定的临界值是（-t? /2）和（ t? /2 ）；而在单侧检验的场合，所确定的临界值是（ t? ）。 （5）做出判断。 如果 的绝对值大于临界值的绝对值，就拒绝原假设，接受备择假设；反之，如果 的绝对值小于临界值的绝对值，则接受原假设。 2．p检验 回归系数的显著性检验还可以采用p检验。其前三步与t检验相同，但t值计算出来之后，并不与t分布的临界值进行对比，而是直接计算自由度为n-2的t统计量大于或小于根据样本观测值计算的 的概率即p值。然后将其与给定的显著水平