第九章 方差分析和回归分析 概率论和 与数理统计 .ppt

可以证明： 可以证明， 由参数估计的性质可知，当 时， 也可采用t检验 例3 检验例1中回归效果是否显著，取α=0.05。 回归系数 的置信区间 由 回归参数估计和显著性检验的Excel实现 例 1（续) 前面我们已经分析了加热温度与燃气消耗量之间的关系, 认为两者具有较好的线性关系, 下面我们进一步建立燃气消耗量(响应变量)与加热温度(解释变量)之间的回归方程. 采用Excel中的“数据分析” 模块. 在Excel工作表中输入上面的数据 点击主菜单中“工具” 点击下拉式菜单中“数据分析” 就会出现一个“数据分析” 的框，点击菜单中“回归” ，点击“确定”, 出现“回归” 框. 在“Y值输入区域”中标定你已经输入的响应变量数据的位置, 在“X值输入区域”中标定你已经输入的解释变量数据的位置 (注意: 数据按“列”输入)“置信度”中输入你已经确定置信度的值选定输出结果的位置点击“确定”. 在指定位置输出相应的方差分析表和回归系数输出结果, 例1的输出结果如下所示, 自由度 平方和 均方 F值 P_值 回归 1 168.581 168.581 1467.551 1.415E-15 误差 14 1.608 0.115 总的 15 170.189 方差分析表 Coef. 标准误差 t Stat P value Lower 95% Upper 95% Intercept 1.089 0.139 7.841 1.729E- 06 0.791 1.387 X 0.189 0.005 38.309 1.415E-15 0.178 0.200 方差分析中,给出了假设检验 的F检验. 方差分析表中各项也与前一节方差分析表中的意义类似. 值得注意的是,方差分析表中“均方” 列中, 相应于“误差”行的值即为模型误差方差的估计, 即 =0.115. 预测 预测一般有两种意义. 因此，根据观测结果，点预测为 双因素试验的方差分析表 方差来源 平方和 自由度 均方 F比 因素A 因素B 交互作用 误差 总和 例 为了比较3种松树在4个不同的地区的生长情况有无差别，在每个地区对每种松树随机地选取5株，测量它们的胸径，得到的数据列表如下。 松树数据表 松树种类 地区 1 2 3 4 1 23, 15, 26, 13, 21 25, 20, 21, 16, 18 21, 17, 16, 24, 27 14, 17, 19, 20, 24 2 28, 22, 25, 19, 26 30, 26, 26, 20, 28 19, 24, 19, 25, 29 17, 21, 18, 26, 23 3 18, 10, 12, 22, 13 15, 21, 22, 14, 12 23, 25, 19, 13, 22 18, 12, 23, 22, 19 输出各单元总和及因素水平总和： 松树数据的总和表 单元总和 B1 B2 B3 B4 水平总和 A1 98 100 105 94 397 A2 120 130 116 105 471 A3 75 84 102 94 355 水平总和 293 314 323 293 1223 方差来源 平方和 自由度 均方 F比 F值α=0.05 因素A 344.9333 2 172.4667 9.45 3.19 因素B 46.0500 3 15.3500 0.84 2.80 交互作用 113.6000 6 18.9333 1.04 2.30 误差 875.6000 48 18.2417 总和 1380.1833 59 双因素方差分析表 §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。 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。 我们以一个例子来建立回归模型 某户人家打算安装太阳能热水器. 为