第4章一元回归分析.ppt

在许多实际问题中，我们常常需要研究多个变量之间的相互关系。 一般来说，变量之间的关系可分为两类： 一类是确定性关系，确定性关系是指变量之间的关系可以用函数关系来表达，例如电流I电压V电阻R之间有关系式V=IR。 另一类是非确定性关系，有些变量之间的关系是非确定性的关系，这种关系无法用一个精确的函数式来表示。 又如，人的身高与体重之间存在一种关系，一般来说，人身高越高，体重越大，但同样高度的人，体重却往往不同。这种变量之间的不确定性关系称之为相关关系。 一、 一元线性回归模型 设y与x间有相关关系，称x为自变量，y为因变量，在知道x取值后，y有一个分布f(y?x)，我们关心的是y的均值E(y?x)： 这便是y关于x的理论回归函数——条件期望，也就是我们要寻找的相关关系的表达式。 通常，相关关系可用下式表示 y =μ(x)+ e 其中e是随机误差，一般假设e ~N(0, ? 2)。 例1 对某广告公司为了研究某一类产品的广告费x用与其销售额y之间的关系，对多个厂家进行调查，获得如下数据 画出散点图如图1所示.从图中可以看出，随着广告投入费x的增加，销售额Y基本上也呈上升趋势，图中的点大致分布在一条向右上方延伸的直线附近.但各点不完全在一条直线上，这是由于y还受到其他一些随机因素的影响. 二、 参数a、b、 的估计 例2 对某建材实验室做某种混凝土强度实验，考察每一立方米混凝土的水泥用量(kg)对28天后的混凝土抗压强度(kg.cm-2)的影响，测得数据如下表： 三、线性回归的显著性检验 在使用回归方程作进一步的分析以前，首先应对回归方程是否有意义进行判断。 如果b=0，那么不管x如何变化，y不随x的变化作线性变化，那么这时求得的一元线性回归方程就没有意义，称回归方程不显著。如果b?0，y随x的变化作线性变化，称回归方程是显著的。 综上，对回归方程是否有意义作判断就是要作如下的显著性检验： H0：b=0， H1： b?0 拒绝H0表示回归方程是显著的。 进一步，有关SQ 和 SR的分布，有如下定理。 定理2 （1）SQ /? 2 ~? 2(n?2)， （2）若H0成立，则有SR /? 2 ~? 2(1) （3） SQ与SR独立 2、T 检验 例3 检验例2中的回归效果是否显著(α=0.05) （1）x对Y没有显著影响； （2）x对Y有显著影响，但这种影响不能用线性相关关系来描述； （3）影响Y取值的，除x外，另有其他不可忽略的因素. 四、 预测 例4 在例2中，给定x0=225(kg),试求y0的预测值和95%的预测区间 第三节 可化为一元线性回归的曲线回归 在实际问题中，常常会遇到这样的情形：散点图上的几个样本数据点明显地不在一条直线附近，而在某曲线周围： 例1 在彩色显像技术中，考虑析出银的光学密度x与形成染料光学密度Y之间的相关关系，其中11个样本数据如下所示： 因为 所以 1、 F检验法 在一元线性回归中有三种等价的检验方法，下面分别加以介绍。 则F统计量为: 且 (1)提出原假设和备择假设: H0：b=0， H1： b?0 (2)选择统计量: (3)给定的显著性水平α,使得 得拒绝域 (4)计算F0,并作出判断. 同F检验 故 为显著性水平 即得H0的拒绝域为 注意到T2=F，因此，T检验与F检验是等同的。 由于 SQ /? 2 ~? 2(n?2) 3．相关系数检验法 取检验统计量 通常称r为样本相关系数. 类似于随机变量间的相关系数，r的取值反映了自变量x与因变量Y之间的线性相关关系. 可以推出:在显著性水平 下,当 时拒绝H0 由样本相关系数的定义可以得到 r与F统计量 之间的关系 这表明， ?r?是F的严格单调增函数，故可以从F分布的? 分位数 F?(1, n?2) 得到 ?r? 的? 分位数为 在一元线性回归场合，三种检验方法是等价的：在相同的显著性水平下，要么都拒绝原假设，要么都接受原假设，不会产生矛盾。 F 检验可以很容易推广到多元回归分析场合，而其他二个则否，所以，F检验是最常用的关于回归方程显著性检验的检验方法。 解： 显然， (2) (1) 于是拒绝H0,即回归效果是显著的 于是拒绝H0,即回归效果是显著的 当假设 被拒绝时，就认为Y与x存在线性关系，从而认为回归效果显著； 若接