回归与相说关分析.pptVIP

第六章 回归与相关分析 Chapter 6 Regression and Correlation Analysis [本章重点和难点] 理解并掌握回归与相关的区别与联系； 一元线性回归的基本原理、方法，线性回归的显著性检验、区间估计和预测； 相关系数的定义、性质和显著性检验； 常用曲线方程的线性化方法及回归方程拟合情况的比较。 [本章内容] 回归与相关的概念 一元线性回归分析 线性相关分析 一元非线形回归（可直线化的曲线回归） 第一节 回归与相关的概念 【本节内容】 回归与相关的概念 两者的主要差别 一、回归与相关的概念 1、回归分析（Regression Analysis） 概念：是研究一个随机变量y与另一些变量（主要为固定变量）关系的一种统计方法。 即：将一个变量y表述为另一些变量的函数，并通过建立变量间的函数关系，达到根据一个或一些变量的取值去估计或预测另一个变量的目的。 自变量与因变量 在某些问题中，y随x的变化而变化 x带有“原因”的性质，称为“自变量” y带有“结果”的性质，称为“因变量” 有时x和y之间并无明显的因果关系 仍然沿用上述名称 一元线性回归（Linear Regression） 如果自变量与因变量都是一个，且y和x大体上有线性关系，这种研究两个变量线性关系的回归称为一元线性回归。 多元回归 如果自变量x是多个，如x1，x2，… ，xk，而因变量是一个y，这种研究因变量y与多个自变量x之间的定量关系的问题称为多元回归。 回归分析的研究目的 变量之间存在怎样的函数关系 能否通过这种关系，由x的变化定量地解释或预测y的变化 回归分析的变量类型 因变量y —— 随机变量 自变量x —— 固定变量（为主）或随机变量 回归分析中x和y的关系 地位不平等 关心的是y依x的变化规律 2、相关分析（Correlation Analysis） 概念：是研究随机变量之间“相关关系”的一种统计方法。用于研究两个或数个变量共同变化的程度，主要通过计算相关系数来判断这种相关关系的强弱。 相关关系：是一种非确定性的关系，即一种随机关系。按其形成的原因，可分为 直接相关（real correlation） 间接相关（nonsense correlation） 二元相关分析（简单相关分析） 研究两个变量间相关关系的方法。 只介绍简单相关。 相关分析的研究目的 变量之间是否存在某种随机的共变关系 各变量一起变化的程度 相关分析不具备预测性 相关分析的变量类型与关系 所有变量都必须是随机变量 没有自变量和因变量之分，x和y的地位一样 分析侧重于随机变量之间的相关特征 二、二者的主要差别 回归分析与相关分析在计算上有很多相似之处，如果在应用时不注意所研究变量的类型以及两种方法的内在差别，很容易出现错误。 回归分析与相关分析的主要差别 第二节 一元线性回归分析 【本节内容】 一元线性回归的数学模型 一元线性回归方程的建立 线性回归的显著性检验 线性回归的区间估计和预测 一、一元线性回归的数学模型 一元线性回归的常用数学模型为： α: 回归截距（Intercept）（又称回归常数） β: 回归系数（Coefficient of regression） 二、一元线性回归方程的建立 （一）原理——最小二乘法 线性回归方程的一般形式为： 残差： 最小二乘法：使残差平方和（剩余平方和）最小的一种确定a 和b 的方法。 使： 根据微积分学中的极值原理，必须使Q 对a 和b的一阶偏导数为0： 整理得到 一元线性回归的正规方程组： （二）一元线性回归的计算 （三）回归直线的图示 资料的散点图 回归直线图 （四）一元线性回归方程建立的基本步骤（4步） 根据资料计算8个一级数据 Σx , Σx2, , Σy , Σy2 , , Σxy , n 计算3个二级数据：SSx , SSy , SP 计算参数的估计值a和b，并写出回归方程 作出资料的散点图和回归直线图 【例6.1】 为了研究特定条件下鱼类对水中某农药的富集能力，搜集了10组有关数据如下（μg/L和μg/kg），试建立二者间的一元线性回归方程。 解：经计算 所以，b = SP / SSx = 1.5508，a = 10.987 x与y的回归方程为： 散点图和回归直线图 三、线性回归的显著性检验 （一）线性回归的变异来源 变异来源 随机变量y的观测值y1, y2, …, yn之间的变异是由两个方面的原因引起的： 自变量 x 取值的不同； 其它因素（试验误差）的影响。 平方和的分解（SSy＝SSE＋SSR） y 的离均差平方和SSy（总平方和SST）：