9一元回归分析.pptVIP

第一节 一元线性回归 1.最小二乘估计 的估计 例2 求例1中 3．最小二乘估计量的性质 例3 检验例1中的线性回归是否显著. 5．回归系数的区间估计 6.预测 （2）区间预测 例5 求例1中当碳含量为0.50时,电阻的置信水平为0.95的置信区间 7.可线性化的一元非线性回归 例1 解 （1）由 (2)检验假设 (2) 多元线性回归 写成矩阵形式 和一元回归类似，采用最小二乘法 化为等价的正规方程组求解 根据矩阵运算法则，用矩阵表示为 点估计 多元线性回归的显著性检验 例2 测定某肉鸡的生长过程，每两周记录一次鸡的重量， 数据如下表 2.8 14 2.67 12 2.47 10 2.2 1.73 0.86 0.3 y/kg 8 6 4 2 x/周 由经验知鸡的生长曲线为Logistic曲线，且极限生长量 为k=2.827，试求y对x的回归曲线方程。 解 由题设可建立鸡重y与时间x的相关关系为 令 则有 列表计算 -123.531 40.323 560 -8.162 13.03 56 ? 2.8 2.67 2.47 2.2 1.73 0.86 0.3 y 14 12 10 8 6 4 2 x -10.042 1.576 64 -1.255 4 -2.733 0.208 36 -0.456 3 3.309 0.684 16 0.827 2 4.262 4.541 4 2.131 1 -64.982 21.544 196 -4.642 7 -34.003 8.029 144 -2.834 6 -19.342 3.741 100 -1.934 5 xy y2 X2 y 序号 所以 所以所求曲线方程为 多元线性回归模型 : 多元线性回归方程 ： 解 检验假设 拒绝域为 由例2得 =拒绝 即认为线性回归显著 我们注意到 只反映了x对y的影响，所以回归值 就是yi中只受xi影响的那一部分, 而 则是除去 xi的影响后, 受其它种种因素影响的部分, 故将 称为残差. F 检验 于是观测值yi可以分解为两部分 和 , 并且 也可分解为两部分. 因此, y1, y2, …, yn 的总变差为 : 可以证明 即 可以分解为两部分: 回归平方和 与残差平方和 . 反映了由于自变量x的变化引起的因变量 y 的差异，体现了x对y的影响； 而 反映了种种其它因素对y的影响, 这些因素没有反映在自变量中, 它们可作为随机因素看待. 可见, ／ 为x 的影响部分与随机因素影响部分的相对比值. 它的作用和随机因素的作用相当, 于是由数据得到的回归方程就没有什么意义. 若它不是显著地大, 表明我们所选的x , 并不是一个重要的因素. 可见, ／ 为x 的影响部分与随机因素影响部分的相对比值. 如果它显著地大, 表明x的作用是显著地比随机因素大, 这样, 方程 就有意义. 通常我们可假设y和x没有线性相关关系，对回归方程是否有意义进行显著性检验. 定理6 当 时 检验假设 选取统计量 对给定的显著性水平 的拒绝域为 ~F(1，n-2) 我们可以用更简单的公式计算回归平方和 与残差平方和 ： 越大，变量 与 之间的线性相关程度越强。 （1） （2） 时， （3） 时， 与 有线性相关关系； 与 无线性相关关系； （1）单值预测 设回归方程为 一元线性回归模型 其线性回归方程为 标准化后 又 且 相互独立 由t分布的定义 则回归方程为 解 由例1和例2可得 上面，我们介绍了一元线性回归. 通过一个例子说明如何建立一元线性回归方程. 介绍了有广泛应用的最小二乘法. 在建立回归方程后，需要对回归方程是否确有意义进行检验. 当检验认为回归方程确有意义. 则可用来进行预测或控制. 在许多实际问题中，两个变量之间并不一定是线性关系，而是某种曲线关系，应该用曲线来拟合. 在有些情况下，可以进行适当的变量代换，把它线性化，这样就把一个非线性回归问题化为线性回归问题而得以解决. 非线性回归问题 可线