数理统计ch7_不凡回归分析7.2.ppt

山西农业大学 应用数理统计 第7章 7.2.4 可线性化非线性回归 (5)案例指数回归 根据试验观测散点图特征选指数曲线模型 线性化变换 1.8594 2.1041 2.2597 2.2513 2.2721 2.3026 2.2956 2.3016 2.3504 2.3599 2.3609 2.3795 2.3609 2.3888 2.3758 y 0.5000 0.3333 0.2500 0.2000 0.1667 0.1429 0.1250 0.1111 0.1000 0.0909 0.0833 0.0769 0.0714 0.0667 0.0625 x 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 X 6.42 8.20 9.58 9.50 9.70 10.00 9.93 9.99 10.49 10.59 10.60 10.80 10.60 10.90 10.76 Y 7.2.4 可线性化非线性回归 (5)案例指数回归 试验观测的线性化变换 7.2.4 可线性化非线性回归 (5)案例指数回归 ?x2 T2/n T=?x 6.42 8.20 9.58 9.50 9.70 10.00 9.93 9.99 10.49 10.59 10.60 10.80 10.60 10.90 10.76 Y 78.34477 0.58433 78.07909 0.37785 34.2226 2.3807 n=15 Total x*y=5.20223 1.8594 2.1041 2.2597 2.2513 2.2721 2.3026 2.2956 2.3016 2.3504 2.3599 2.3609 2.3795 2.3609 2.3888 2.3758 y 0.5000 0.3333 0.2500 0.2000 0.1667 0.1429 0.1250 0.1111 0.1000 0.0909 0.0833 0.0769 0.0714 0.0667 0.0625 x 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 X 线性回归数据计算 SSx=0.58433-0.37785=0.20648 SP=5.20223-2.3807×34.2226/15=-0.22935 b=SP/SSx=-0.22935/0.20648=-1.11076 a=34.2226/15+1.11076×2.3807/15=2.4578 SST=SSy=78.34477-78.07909=0.26568 SSR=SP2/SSx=(-0.22935)2/0.20648=0.25475 SSE=SST-SSR=0.26568-0.25475=0.01093 7.2.4 可线性化非线性回归 (5)案例指数回归 线性回归估计和平方和计算 14 0.26568 Total 0.0001 302.78 0.25457 8.4077e-4 1 13 0.25457 0.01093 Model Error PrF F value MS df SS Source 方差分析表 R2=SSR/SST=0.25457/0.26568=0.9582 7.2.4 可线性化非线性回归 回归方程和显著性检验 (5)案例指数回归 14 0.26568 Total 4.6672 302.78 0.25457 8.4077e-4 1 13 0.25457 0.01093 Model Error Fα(1,13) F value MS df SS Source 方差分析表 R2=SSR/SST=0.25457/0.26568=0.9582 7.2.4 可线性化非线性回归 回归方程和显著性检验 (5)案例指数回归 7.2.4 可线性化非线性回归 (5)案例指数回归 指数曲线回归的拟合效果 同一案例可采用不同非线性模型回归，这就带来一个问题，究竟哪个模型更适合作回归函数的估计？根据最小二乘法原理，选模型线性化后决定系数最大的哪个模型较合理。本案例采用指数模型比采用双曲线模型拟合效果更好，由此可见，选择合适的回归模型是非线性回归的一项重要技能。 双曲线模型 R2=0.9395 指数模型 R2=0.9582 7.2.4 可线性化非线性回归 (6)模型对比 若根据试验观测的变化特征选择多个非线性模型进行非线性回归，一个合理的做法是，选决定系数最大或回归残差平方和最小的模型作为最终的结果。其中，决定系数是数据变换后线性模型的决定系数，回归残差平方和是原响应变量Y 的观测值与预测值之差的平方和，两种方法等价。 7.2.4 可线性化非线性回归 (6)模型对比 决定系数和回归残差平方和 7.2.4 可线性化非线性回归 (6)模型对比 决定系数较大则残差平方