数据分析处理_.ppt

3 指数函数曲线 y = aebx，其中a 0。 两边求对数则有 lny=lna+bx，那么我们令 y’=lny,a’=lna,则会有 y’=a‘+bx 4 倒指数函数曲线y = aeb/x，其中a 0。 两边求对数则有 lny=lna+b/x，那么我们令 y’=lny,a’=lna,x’=1/x则会有 y’=a‘+bx’ 5 对数函数曲线y = a + bln x ，其中x 0。 6 S型函数曲线 y=1/(a+be-x) 那么我们令y’=1/y,x’=e-x则会有 y’=a‘+bx’ 注：对于非线性回归问题的Matlab实现问题，一种方法是化为相应的线性模型实现，另一种方法是直接应用Matlab中相应的命令，其结果是一致的。详见本节第五部分。 三 多元线性回归分析 一般地，在实际问题中影响应变量y 的自变量往往不止一个，不妨设有k 个为 x1 ， x2 ，…，xk 。通过观测得到一组（k +1维）相互独立的试验观测数据(x1j ,x2j , …,xkj ,yj ) y，i = 1,2,?,n，其中n k +1。假设变量y 与变量x1 ， x2 ，…， xk 之间有线性关系： y= b0 + b1*x1 + ..+ bk *xk+e ，将观测数据带入的 y= b0 + b1*x1j + ..+ bk *xkj+ej Y=Xb+e 注：b代表 e代表 对线性模型y= b0 + b1*x1 + ..+ bk *xk+e 所要考虑的主要问题是： （i）用实验观测数据对未知参数b0 ，…， bk 和 做点估计和假设检验，从而建立因变量y 和自变量 x1 ，…， xk 之间的线性关系； （ii）在x1 = x10 ，…， xk = x1k 处对y 的值作预测和控制，并对y 作区间估计。本部分总是假设n k +1。 1 未知参数bi估计 XTXb = XTY b=(XTX)-1 XTY 2 多元线性回归中的假设检验 在实际问题中，往往事先不知道或不能确定随机变量y 与自变量x1 ，…， xk 之间确有线性关系。因而(10.13)往往是一种假设，因此在求出线性回归方程之后，还必须对求出的线性回归方程同实际观测数据拟合效果进行检验。类似于一元线性回归，可提出以下原假设 H0:b1=b2=‥=bk =0。 当拒绝H0时表示线性关系成立，否则不成立。 检验指标 知F检验法的检验规则为： 如果FFa ，则拒绝H0 ，认为因变量y 与自变量1 x ，…， k x 之间的线 性关系显著；否则，认为y 与x1 ，… xk 之间的线性关系不显著。 需要注意的是， y 与x1 ，…， xk 之间的线性关系不显著，可能出现几种情况：如y 于其中某些自变量无关系，可以去掉这些自变量； y 与1 x ，…， k x 之间的存在非线性关系；还有其它变量与y 有关系等。当然还有其它检验方法。 四 逐步线性回归分析 从多元线性回归分析中我们知道，采用的自变量越多，则回归平方和越大，残差平方和越小。然而，采用较多的变量来拟合回归方程，得到的方程稳定性差，每个自变量的区间误差的积累将影响总体误差，用这样建立起来的回归方程作预测的可靠性差、精度低。另一方面，如果采用了对因变量影响小的自变量而遗漏了重要变量，可导致估计量产生偏倚和不一致性。因而希望得到最优的回归方程。逐步线性回归分析方法就是一种自动从大量可供选择的变量中选择那些对建立回归方程比较重要的变量的方法，它是在多元线性回归基础上派生的一种算法技巧，详可参阅相应的文献。其基本思路为：从一个自变量开始，视自变量对y 作用的显著程度，从大到小依次逐个引入 回归方程。当引入的自变量由于后面自变量的引入而变得不显著时，要将其剔除掉。引入一个自变量或从回归方程中剔除一个自变量，为逐步回归的一步。对于每一步，都要进行y 值检验，以确保每次引入新的显著性变量前回归方程中只包含对y 作用显著的变量。这个过程反复进行，直至即无不显著的变量从回归方程中剔除，又无显著变量可引入回归方程止。 使用逐步线性回归时要注意：要适当选择引入变量的显著性水平和剔除变量的显著性水平； 应尽量选择那些相互独立性强的变量。 4 逐步回归 逐步回归的命令是stepwise，它提供了一个交互式画面，通过此工具可以自由地选择变量，进行统计分析。通常用法是： stepwise(x，y，inmodel，alpha)， 其中x是自变量数据， y 是因变量数据，分别为n ′m和n ′1矩阵，inmodel是矩阵的列数指标，给出初始模型