统计学 线性回归分析课件.ppt

第12章; Content 1. Linear regression 2. Linear correlation 3. Rank correlation 4. Curve fitting ;双变量计量资料：每个个体有两个变量值 总体：无限或有限对变量值 样本：从总体随机抽取的n对变量值 （X1,Y1）, （X2,Y2）, …, （Xn,Yn） 目的：研究X和Y的数量关系 方法：回归与相关 简单、基本——直线回归、直线相关; ; 儿子身高（Y，英寸）与父亲身高（X，英寸）存在线性关系： 。 也即高个子父代的子代在成年之后的身高平均来说不是更高，而是稍矮于其父代水平，而矮个子父代的子代的平均身高不是更矮，而是稍高于其父代水平。Galton将这种趋向于种族稳定的现象称之“回归”。 ;第一节 直线回归;一、直线回归的概念 ; 为了直观地说明两相关变量的线性依存关系，用表12-1第（2）、（3）列中大白鼠的进食量和体重增加量的数据在坐标纸上描点，得图12-1所示的散点图（scatter plot）。 ; 例12-1 用某饲料喂养12只大白鼠，得出大白鼠的进食量与体重增加量如表12-1，试绘制其散点图。 ;表12-1 12只大白鼠的进食量（g）与体重增加量(g)测量结果 ;; 在定量描述大白鼠进食量与体重增加量数量上的依存关系时，习惯上将进食量作为自变量（independent variable），用X表示；体重增加量作为应变量（dependent variable），用Y表示。 ; 由图12-1可见，体重增加量有随进食量增加而增大的趋势，且散点呈直线趋势，但并非12个点都在直线上 ，此与两变量间严格的直线函数关系不同，称为直线回归（linear regression）,其方程叫直线回归方程，以区别严格意义的直线方程。 回归是回归分析中最基本、最简单的一种，故又称简单回归。 ;直线回归方程;1．a 为回归直线在 Y 轴上的截距。;b0，直线从左下方走向右上方，Y 随 X 增大而增大； b0，直线从左上方走向右下方，Y 随 X 增大而减小； b=0，表示直线与 X 轴平行，X 与Y 无直线关系。;二、直线回归方程的求法 ; ;; 例12-2 （续例12-1）根据表12-1数据，对大白鼠的体重增加量进行回归分析。 ;解题步骤;; 此直线必然通过点( , )且与纵坐标轴相交于截距 a 。如果散点图没有从坐标系原点开始，可在自变量实测范围内远端取易于读数的 X 值代入回归方程得到一个点的坐标，连接此点与点( , )也可绘出回归直线。 ;二 直线回归中的统计推断; 建立样本直线回归方程，只是完成了统计分析中两变量关系的统计描述，研究者还须回答它所来自的总体的直线回归关系是否确实存在，即是否对总体有 ？;1.1回归系数的方差分析 ;;数理统计可证明： ;上式用符号表示为 ;;上述三个平方和，各有其相应的自由度 ，并有如下的关系： ; 如果两变量间总体回归关系确实存在，回归的贡献就要大于随机误差，大到何种程度时可以认为具有统计意义，可计算统计量F: ;式中 ;2. t 检验;例12-3 （续例12-1）根据表12-1数据进行回归系数的方差分析。 解：先列出下列计算结果;;（3）确定P值。查F界值表，P0.001。;t 检验方法;注意：; （二）回归方程可信区间与预测 一、总体回归系数的区间估计 ;例12-5 （续例12-1）试估计总体回归系数的95%的可信区间。;二、 的区间估计; 对一已知的自变量值 按回归方程求出预测值 ，再按下式求出此条件下100（1- ）%的可信区间。;例12-6 （续例12-1） 根据例12-2所求直线回归方程，试计算当 时， 95%的可信区间。;本例;个体Y值的容许区间;个体Y值的 容许区间按下式计算。 ;计算出个体Y值的95%容许区间为;回归方程的应用 ; 一、线性回归的主要用途 1．研究因素间的依存关系 自变量和应变量之间是否存在线性关系，或者应变量依赖自变量变化而变化的规律。 2．估计与预测 可用易测定的一组给定的自变量的观测值来推算较难测定的Y值 。 3．统计