方差分析及回归分析ppt课件.pptVIP

第九章 方差分析及回归分析 散点图 描述两个定量变量间关系的一个最直观 的方法是绘制两变量的散点图。散点图 包括横轴和纵轴。横轴（x轴）代表一 个变量，纵轴（y轴）代表另一个变量。 图中的点表示两个变量的一对观测值。 课件结束! ——称之为正规方程组 正规方程组的矩阵形式 正规方程系数行列式 在误差为正态分布假定下，最小二乘估计等价于极大似然估计。 事实上，似然函数 例2 K.Pearson收集了大量父亲身高与儿子 身高的资料。其中十对如下： 70 70.1 68.3 67.4 67.1 66.9 65.5 66 65.2 63.6 儿子身高y（吋） 74 72 70 68 67 66 65 64 62 60 父亲身高x（吋） 求Y关于x的线性回归方程。 备注：“回归一词”是英国统计学家F.Galton 在1886 年研究遗传现象时引进的。他和他的学生――英国著名统计学K.Pearson 研究了儿子身高y 与父母亲平均身高x 之间的关系。他们收集了1078 对夫妇与儿子(每对夫妇只取一个成年儿子)的身高数据，并用一条直线描述y 与x 之间的关系: 人们通常的看法是，双亲的身体高，其子身体也高；父母亲的身高偏矮，儿子的身高也偏矮。但Galton 的研究发现，如果双亲平均身高属高个类(高于1078 对夫妇平均身高)，其子比他们更高的概率就比较小，即儿子以较大的概率比双亲个子矮；反过来，如果双亲平均身高属矮个类，儿子则以较大的概率比双亲个子高。所以平均身高偏高或偏矮的夫妇，其子的身高都有“向中心(父母辈的平均身高)回归”的现象。基于这一事实，Galton 把他们所求出的描述儿子身高与双亲身高关系的直线叫做回归直线。虽然“回归”这一现象并没有普遍性，但人们习惯上一直沿用这个术语。 （三）误差方差 的估计 误差方差估计的意义: 误差方差的大小对模型的好坏有很大的影响。 自变量对因变量影响的大小是同误差对因变量的影响相比较的。 (c)如果自变量对因变量的影响不能显著的超过误差对因变量的影响，就很难从这样的模型中提炼出有效的、有足够精度的信息。 例3： 求例2中误差方差的无偏估计。 （四）线性假设的显著性检验 采用最小二乘法估计参数a和b，并不需要事 先知道Y与x之间一定具有相关关系，即使是 平面图上一堆完全杂乱无章的散点，也可以 用公式求出回归方程。因此μ(x)是否为x的线 性函数，一要根据专业知识和实践来判断， 二要根据实际观察得到的数据用假设检验方 法来判断。 若原假设被拒绝，说明回归效果是显著的，否则，若接受原假设，说明Y与x不是线性关系，回归方程无意义。 回归效果不显著的原因可能有以下几种： （1）影响Y取值的，除了x，还有其他不可忽略的因素； （2）E(Y)与x的关系不是线性关系，而是其他关系； （3）Y与x不存在关系。 例4： 检验例2中回归效果是否显著，取α=0.05。 （五）回归系数b的置信区间 当回归效果显著时，常需要对回归系数b作区间估计。 （六）回归函数μ(x) =a+bx函数值的点估计和置信区间 （七）Y的观察值的点预测和预测区间 注：在预测时， 一定要落在已有的 的数据范围内部，否则预测常常没有意义。 例5，在例1中F.Galton曾断言“儿子身高会受到父亲身高的影响，但身高偏离父代平均水平的父亲，其儿子身高的影响有回归到子代平均水平的趋势。”试问例1这组数据能证实这一论断吗(α=0.05)?并给出x=69吋时,y的预测区间。 (1)回归到平均水平的趋势，即检验 例6 合金钢的强度y与钢材中碳的含量x有密切关系。为了冶炼出符合要求强度的钢常常通过控制钢水中的碳含量来达到目的，为此需要了解y与x之间的关系。其中x：碳含量（％） y：钢的强度（kg/mm2）数据见下： 56.0 53.0 47.5 45.0 42.0 43.0 41.5 41.0 39.5 40.5 y 0.20 0.17 0.15 0.12 0.10 0.09 0.07 0.05 0.04 0.03 x （（1）画出散点图；（2）设μ(x)=a+bx,求a,b的估计；（3）求误差方差的估计，画出残差图；（4）检验回归系数b是否为零（取α=0.05)；（5）求回归系数b的95％置信区间；（6）求在x=0.06点，回归函数的点估计和95％置信区间；（7）求在x=0.06点，Y的点预测和95％区间预测。 0.03 0.05 0.07 0.09 0.11 0.13 0.15 0.17