《第十章回归分析》教学课件.pptVIP

阜师院数科院 阜师院数科院 阜师院数科院 阜师院数科院 阜师院数科院 阜师院数科院 阜师院数科院 阜师院数科院 阜师院数科院 解:首先进行数据整理得 阜师院数科院 阜师院数科院 阜师院数科院 阜师院数科院 阜师院数科院 阜师院数科院 谢谢！ 阜师院数科院 控制问题是预报问题的反问题.在此不多叙述. 阜师院数科院 §2 曲线回归 对于线性类型的问题,可以用前面介绍的方法直接得到其经验公式,并对其线性相关性进行检验.然而,大量的实际问题并非线性类型,对于这种情况该如何处理呢? 在实际问题中,根据给出的一批数据,在直角坐标系中绘出其散点图,将散点图分布的形状与已知函数的图形进行比较,确定曲线类型,再作变量替换,将曲线改为直线,然后通过配回归直线的方法来配出曲线. 阜师院数科院 a0 b0 a0 b0 阜师院数科院 b1 b=1 0b1 0b1 b1 b=1 阜师院数科院 阜师院数科院 a a 阜师院数科院 阜师院数科院 §3 多元线性回归 设随机变量Y与p个变量x1,x2,...,xp有关,它们之间满足: E(Y)=β0+β1x1+β2x2+...+βpxp 进一步假设 Y~N(β0+β1x1+β2x2+...+βpxp,σ2) 即 阜师院数科院 式中x1,x2,...,xp都是可精确测量或可控制的一般变量,Y是可观察的随机变量, β0,β1,β2,...,βp是未知参数,ε是不可观察的随机误差. 假如我们要获得n组相互独立的样本: (Yi; x1i,x2i,...,xpi), i=1,2,...,n 则可知有数据结构 Yi=β0+β1x1i+β2x2i+...+βpxpi+ εi i=1,2,...,n 其中εi ~N(0, σ2), i=1,2,...,n且相互独立.这就是 p元线性回归模型. 阜师院数科院 §3.1 参数估计 若已给出样本观察值(yi; x1i,x2i,...,xpi), i=1,2,...,n.我们希望对参数β0,β1,β2,...,βp及σ2作出估计. 阜师院数科院 阜师院数科院 由于Q是β0,β1,β2,...,βp的一个非负二次型,故其极小值必存在,根据微积分的理论知道,这只需求解下列方程组: 阜师院数科院 阜师院数科院 阜师院数科院 阜师院数科院 所以正规方程用矩阵形式表示即为: 阜师院数科院 阜师院数科院 为了求σ2的估计,先给出几个名词 阜师院数科院 阜师院数科院 阜师院数科院 §3.2 参数最小二乘估计的性质 阜师院数科院 阜师院数科院 阜师院数科院 阜师院数科院 阜师院数科院 阜师院数科院 阜师院数科院 阜师院数科院 阜师院数科院 §3.3 假设检验 对多元线性回归模型,除了参数估计问题外,还有些假设检验问题: 阜师院数科院 y1,y2,...,yn之间的差异一般由两个原因引起: 一是当y与x1,x2,...,xp之间确有线性关系时,由于x1,x2,...,xp取值不同,而引起yi取值的不同; 另一个是除去y与x1,x2,...,xp之间线性关系以外的一切因素引起的,包括x1,x2,...,xp对y的非线性影响及其它一切未加控制的随机因素. 通常用总的偏差平方和来衡量y1,y2,...,yn波动的大小: 阜师院数科院 阜师院数科院 在实际问题中我们常常会遇到多个变量同处于一个过程之中,它们互相联系、互相制约.在有的变量间有完全确定的函数关系,例如电压V、电阻R与电流I之间有关系式:V=IR;在圆面积S与半径R之间有关系式S=πR2. 自然界众多的变量之间,除了以上所说的那种确定性的关系外,还有一类重要的关系,即所谓的相关关系.比如,人的身高与体重之间的关系.虽然一个人的身高并不能确定体重,但是总的说来,身高者,体重也大.我们称身高与体重这两个变量具有相关关系. 回归分析方法是一种常用的数理统计方法,是处理多个变量变之间相关的一种数学方法. 第十章 回归分析 阜师院数科院 实际上,由于实验误差的影响,即使是具有确定性关系的变量之间,也常表现出某种程度的不确定性. 回归分析方法是处理变量间相关关系的有力工具.它不仅为建立变量间关系的数学表达式(经验公式)提供了一般的方法,而且还能判明所建立的经验公式的有效性,从而达到利用经验公式预测、控制等目的.因此，回归分析方法的应用越来越广泛,其方法本身也在不断丰富和发展. 阜师院数科院 在一元线性回归分析里,我们要考察随机变量Y与一个普通变量x之间的联系. §1.1 一元线性回归模型 对于有一定联系的两个变量:x