相关分析与一元回归分析PPT.ppt

(3) 计算回归值，在单元格D2中输入公式： =B$15+B$14*B2 将单元格D2中公式复制到单元格区域：D3:D13 如图9.8(b)． (4) 计算y1，y2，…，yn的总变差平方和SST、回归平方和SSM和残差平方和SSE： 计算SST，在单元格B16中输入公式： = DEVSQ(C2:C13) 9.2.1 一元线性回归分析 计算SSE，在单元格B17中输入公式： = SUMXMY2(C2:C13,D2:D13) 计算SSM，在单元格B18中输入公式：= B16-B17 5) 计算检验统计量F和检验P值： 计算F，在单元格B19中输入公式：=B18/B17*10 计算P，在单元格B20中输入公式： =FDIST(B19,1,10) 得到检验P值，如图9.8(c)．P = 7.59?10-8 0.05，拒绝原假设，故?1显著非0，回归方程显著． 9.2.1 一元线性回归分析 3. 回归方程的判定系数 前面已讲到观测数据y1，y2，…，yn的总变差平方和SST可以分解为回归平方和SSM与残差平方和SSE两部分，即 SST = SSM + SSE 将回归平方和与总变差平方和之比值称为判定系数，记为R2，即 9.2.1 一元线性回归分析 3. 回归方程的判定系数 判定系数R2可以解释为y1，y2，…，yn的总变化量中被回归方程所描述的比例． R2越大，总变化量中被回归方程所描述的比例就越大，说明自变量对因变量的影响越大．从而残差平方和就越小，即拟合效果越好． 可见R2反映了回归方程对数据的拟合程度，是衡量拟合优劣的一个很重要的统计量 称R2为回归方程的拟合优度． 9.2.1 一元线性回归分析 3. 回归方程的判定系数 如果所有观测数据的散点都落在回归直线上，残差平方和SSE = 0，R2 = 1，拟合是完全的； 如果y的变换与x无关，x完全无助于解释y的变差，此时， 则R2 = 0． 可见，0 ? R2 ? 1． R2越接近于1，表明回归平方和占总变差平方和的比例就越大，回归直线与各观测点越接近，用x解释y的变差部分就越多，回归直线的拟合程度就越好；反之，R2越接近于0，回归直线的拟合程度就越差． 9.2.1 一元线性回归分析 在一元回归模型中，可以证明R恰好是由(xi，yi)，i=1，2，…，n计算得到的样本相关系数r, 即有 事实上，由于 由(9.8)式， 所以 ，于是 9.2.1 一元线性回归分析 【实验9.2】使用Excel画出表9-1中合金钢的强度y与含碳量x之间的回归直线, 并计算回归方程的拟合优度 (1) 在Excel中画出y与x之间的散点图, 如图9.7所示 (2) 用鼠标右键单击散点图中的数据点，在弹出的 快捷菜单中选择“添加趋势线”，如图9.9所示 (3) 在打开的“添加趋势 线”对话框中，“类型”取 默认的“线性”； 9.2.1 一元线性回归分析 在“选项”选项卡中，修改“趋势预测”中“前推”和“倒推”为0.1，选中“显示公式”和“显示R平方值”复选框，如图9.10所示．单击“确定”按钮 得回归直线、回归方程与拟合优度,如图9.11所示 9.2.1 一元线性回归分析 【实验9.2】使用Excel画出表9.1中合金钢的强度y与含碳量x之间的回归直线, 并计算回归方程的拟合优度 回归直线、回归方程与拟合优度, 如图9.11所示 图中显示，回归直线的方程为 方程的拟合优度为0.9503． 9.2.1 一元线性回归分析 4. 误差方差的估计 在一元线性回归模型 y = ?0 + ?1x + ?，? ～ N(0,? 2) 中，随机误差? 的大小可由它的方差?2衡量，?2越小，回归方程拟合数据的程度就越好 如何估计? 2? 9.2.1 一元线性回归分析 4. 误差方差的估计 由观测值(x1，y1)，(x2，y2)，…，(xn，yn)，通过参数估计得到了回归方程 残差平方和 说明了实际观测值yi与估计值 之间的差异程度． 我们称 为均方残差（也记为MSE） 可