回归分析方法是研究变量间相关关系.ppt

一、引例 二、最小二乘法求回归直线 回归直线不通过所有的观测点，但它对所有的观测点来说差平方和最小。 三、回归方程的显著性检验 对任意一组观测数据，都能用最小二乘法得到一条回归直线。若因变量y和自变量x的之间的关系接近线性，这样得到的回归直线是有意义的；若y和x的之间根本不存在线性关系，硬要按线性回归处理，所得到的回归直线也没有多大实际意义。因此，有必要对所得到回归方程的显著性进行检验，即检验线性回归方程在多大程度上反映x,y的之间的真实关系。 （2）相关系数检验法 （3）F检验法 （4）T检验法 §8.3 加权回归 用最小二乘法回归得到直线方程，我们把观测数据点都看作是同样重要的。如果对数据的误差一无所知，这是完全合理的。如果事先已知A点可能比B点的误差要大，对B就要比A更重视。这时要用加权最小二乘法，给每个点乘不同的权，用加权方法使总差平方和最小。通常对误差较大点给予较小的权，对误差较小点给予较大的权值。 根据不同情况，给每个实验点乘以不同的权 ，则总的差平方和为 §8.4 一元非线性回归 在许多实际问题中，变量x和y的之间并不存在线性关系，而是存在某种非线性关系。由于变量x和y的之间存在某种函数关系，实际中的曲线回归是存在的。我们把这类曲线先转化为线性回归，然后按线性回归的方法处理。 一些常见的曲线类型及变换公式： §8.5 多元线性回归 在科学研究和生产实践中，需要研究一个因变量对多个自变量的非确定型线性依赖关系，这时需要用到多元线性回归分析。和一元线性回归相比，多元线性回归只是变量数目增加，在方法原理和结论上没有实质性差异。 §8.6 数据的标准化 §8.7 多元线性回归数据 的标准化处理 这两节不讲了，请课后自己阅读！ P228-235页。 §8.9 最优回归方程的选择 §8.10 可化为多元线性回归的问题 在许多实际问题中， y与自变量x之间并不是线性关系，而是某种非线性的关系。只要认真分析，实际许多问题通过变量代换的办法可以把它们转化为多元线性回归。 §8.11 多项式回归  本章作业 （1）仔细研究最小二乘法求回归直线。 （2）简述一元非线性回归的处理方法。 （3）简述多元线性回归的处理方法。 详见P241-243页 * * (Regression Analysis) 第八章 回归分析 变量之间的关系大致可分为两种类型： （1）确定的函数关系－变量之间有完全确定的函数关系 （2）相关关系－不能根据自变量的值精确地表示出因变量的值 函数关系和相关关系是两种不同类型的变量关系，但二者之间并无绝对明显的界限，由于测量中总存在误差等因素，即使是确定的函数关系，在实际问题中也往往是通过相关关系表现出来的。当对事物内部规律了解得更深刻更清楚时，相关关系又可能转化为函数关系。 §8.1 引言 回归分析又分为一元线性回归和多元线性回归分析。 （1）定量地研究变量之间的相关性； （2）检验变量相关的显著性； （3）应用回归分析方程进行预测。 回归分析方法是研究变量间的相关关系，主要解决以下几 方面的问题： 数理统计中的回归分析是研究变量间相关关系的有力工具。它从一批样品在若干变量上观测数据出发，通过对数据（数理统计中常称为样本）的统计分析，寻找变量之间存在的规律性。总之，回归分析是研究变量间统计相关性的一种数理统计分析方法。 在科学研究和生产实践中，常常需要根据两个变量的几组实验数值——实验数据，来找出这两个变量的函数关系的近似表达式．一元线性回归仅研究两个变量之间的相关关系,由观测数据出发，研究因变量y和自变量x的线性依赖关系。  §8.2 一元线性回归 例1 　　为了测定刀具的磨损速度，我们做这样的实验：经过一定时间(如每隔一小时)，测量一次刀具的厚度,得到一组试验数据如下： 如图，在坐标纸上画出 这些点， 　　因为这些点本来不在一条直线上，我们只能要求选取这样的 ，使得 在 　　　　处的函数值与实验数据 相差都很小． 解 就是要使偏差 都很小. 因此可以考虑选取常数 ，使得 最小来保证每个偏差的绝对值都很小． 把　　看成自变量 和 的一个二元函数， 那么问题就可归结为求函数 在那些点处取得最小值. 即 　　将括号内各项进行整