基于回归分析建立一类大豆产量数学模型.docVIP

基于回归分析建立一类大豆产量数学模型 　　摘要：作为农作物典型代表的大豆，其所受影响因素有很多，如收获株数、株高、有效分枝、单株有效荚数、单株粒数等，都为较显著因素。本文就用多元线性回归和通径分析，证明出收获株数、株高在一定程度上会对大豆产量带来负影响，而有效分枝、单株有效夹数、单株粒数则会对大豆产量产生积极的正面效益。又通过复相关系数 和F检验对回归系数进行验证，来进一步阐明它们对产量的影响关系的真实性和显著性。 　　关键词：多元线性回归；通径分析；大豆；相关系数；产量 　　中图分类号：S513 文献标识码：A 文章编号：1674-0432（2011）-12-0295-2 　　 　　1 问题描述 　　当今土地的开垦问题，无疑对农业产量造成了重大的影响。那么，在有限的土地面积上，得到更多的农作物产量，就成为了更多人所关注的问题。本文借助了刘金刚,曹永强以及闫晓艳,邱强,石一呜等前辈，在线性回归分析对大豆做出的贡献之上[1]，更深入地研究了影响大豆产量的因素。也感谢陆强,谢文采老师对通径分析上为后者的研究做出了铺垫。但是之前很少有文章将多元回归、通径分析、复相关系数、F检验全部详细、统一地对大豆的生长因素做以系统地研究。此次我们将这些知识点更全面地做了数据研究。本文以吉林省的土地为样本，设置了多种不同密度的大豆栽培试验，通过对收获株数、株高、有效分枝、单株有效荚数、单株粒数等因素对产量的影响，做出多元线性回归方程，最终得到准确可靠的决定系数，来探讨出适宜的种植方式。在数据结果中表明，收获株数、株高在一定程度上会对产量有负影响，而有效分枝、单株有效荚数、单株粒数能够在一定范围内增加大豆的产量。 　　2 模型建立及数据分析 　　2.1 多元线性回归 　　在实际问题研究中，因变量的变化往往受几个重要因素的影响，此时就需要用两个或两个以上的影响因素作为自变量来解释因变量的变化，这就是多元回归亦称多重回归。当多个自变量与因变量之间是线性关系时，所进行的就是多元线性回归。 　　设y为因变量，b为自变量，X为回归系数，并且自变量与因变量之间为线性关系时，则多元线性回归模型为［2］： 　　y=b0=b1x1+b2x2+b3x3+……bkxk 　　 　　本文，测定大豆的收获株数（ x1）10 m2，株高（ x2）cm，有效分枝（ x3）cm，单株有效夹数（x4 ）cm，单株粒数（x5 ）cm和产量（ y）kg/hm2的对应数据［3］。其对应的具体数据请参照附录。 　　建立多元线性回归方程： 　　2.2 通径分析 　　通径分析是衡量原因变量对结果变量相对重要性的一种多元统计分析方法。通径系数是变量标准化后的偏回归系数，是用来表示相关变量因果关系的统计量,通径系数以Pü表示。通径系数具有偏回归系数的性质。它是介于回归系数和相关系数之间的一种统计量，可用于各种性状间的相关分析。通径系数是一个不带单位的相对数。可以用它来估计对依变量y直接影响效应的大小，比较其相对重要性。利用通径系数分析，可以帮助建立“最优”多元回归方程。 　　设xi和 Xj为任意两个自变量，自变量可以直接作用于Y，其大小为Pyi (即 xi对Y 的通径系数)；也可以通过其他自变量来间接性作用于y，其大小为rijPyj （即xi 通过 xj对Y的间接通径系数）。其中rij 为 Xi与 Xj之间的相关系数， 如下关系式： 　　 　　 　　我们可将附录中具体的测量数据输入到Excel表格中，选用“工具”中的“数据测量”中的“相关系数”，便可准确地求得各个自变量对因变量的通径系数，以及各个自变量之间的相关系数 。［4］其结果如下： 　　通过公式 　　将Excel表格中数据代入进去，得到回归方程中b0,b1,b2,b3,b4,b5的数值。即： 　　b0=3327.8762187, b1=-1.87088, b2= -1.55755, 　　b3= 2.01012, b4= 2.12275, b5= 2.00278 　　所以： 　　y=3327.8762187-1.87088x1-1.55755x2+2.01012x3+2.12275x4+2.00278x5 　　回归系数中，当x1、x2、x3、x4分别保持在 不变的时候，单株粒数x5每增加一个单位的时候，产量y就增加2.00278kg/hm2。依次类推，在这5个自变量中,当其他4个自变量保持在各自平均数据不变时，则该自变量每增加一个单位，产量y就增加相应的回归系数bi kg/hm2。 　　 　　 2.3 F检验与复相关系数 R2 　　F检验又叫方差齐性检验，是英国统计学家Fisher提出的，从两研究总体中随机抽取样本，主要通过比较两组数据的方差 R2，以确定他们的精密度是否有显著性差异。