数理统计结课论文.docVIP

数理统计结课论文 PAGE \* MERGEFORMAT- 3 - 20114073143数理统计中回归分析的探究与应用黑龙江八一农垦大学 20114073143 数理统计中回归分析的探究与应用  回归分析问题探究 摘要 本文主要针对数理统计中的回归分析问题，通过对一元线性回归、多元线性回归以及非线性回归原理的探究，分别运用了SPSS和MATLAB软件进行实例分析以及进一步的学习。 首先，通过变量之间关系的概念诠释引出回归函数Y=fx+ε ；其次，针对回归函数，分别对一元线性回归原理上的学习，了解并会运用这三种线性回归模型、参数估计和回归系数的显著性检验来处理和解决实际的一元线性回归问题；接着，对多元线性回归和非线性回归进行学习，掌握它们与一元线性回归在理论和实践的联系与区别；然后，通过实际问题运用SPSS进行简单的分析，熟悉SPSS软件的使用步骤和分析方法，能够运用SPSS进行简单的数理分析 关键词：回归分析；一元线性回归；多元线性回归；非线性回归；SPSS；MATLAB  一、 回归概念 一般来说，变量之间的关系大致可以分为两类：一类是确定性的，即变量之间的关系可以用函数的关系来表达；另一类是非确定性的，这种不确定的关系成为相关关系。相关关系是多种多样的，回归分析就是研究相关关系的数理统计方法。它从统计数据出发，提供建立变量之间相关关系的近似数学表达式——经验公式的方法，给出相关行的检验规则，并运用经验公式达到预测与控制的目的。 如随机变量Y与变量x（可能是多维变量）之间的关系，当自变量x确定后，因变量Y的值并不跟着确定，而是按照一定的停机规律（随机变量Y的分布）取值。这是我们将它们之间的关系表示为 Y= 其中fx是一个确定的函数，称之为回归函数，ε为随机项，且ε~N（0，σ2）。回归分析的任务之一就是确定回归函数 二、 回归分析 2.1 一元线性回归分析 2.1.1 一元线性回归模型 设随机变量Y与x之间存在着某种相关关系，这里x是可以控制或可以精确测量的普通变量。对于取定的一组不完全相同的值x1,， 一般地，假定x与Y之间存在的相关关系可以表示为 Y=a+bx+ε， 其中ε为随机误差且ε~N（0，σ2 对于一元线性回归模型，显然有Y~N(a+bx， 回归方程y=a+bx放映了变量X与随机变量Y之间的相关关系。回归分析就是要根据样本观测值xi，yii 2.1.2 参数估计 如何根据观测数据（x1,，y1），（x2, y 就刻画了直线y=a+bx上点xi Qa 这样Qa，b就表示直线上相应点与全体数据点之间总的偏离程度。总得偏离程度越小，回归方程y=a+bx就越能客观放映出变量x与Y之间的线性关系。所以，在数理统计中，将能够使Qa， 我们利用微积分的知识来确定Qa，b取得最小值的条件。将 ?Q 整理得 na+ 上式称为正规方程组。由于xi n 不为零。因此，我们得到的正规方程组的唯一解为 b 因此，我们得到了x与y之间的线性回归方程 y 或 y 这个线性回归方程表明，经验回归直线L是通过这n个数据点几何重心x，y且斜率为 L L L 这样 b 2.1.3 回归系数的显著性检验 在上面的论述中，运用最小二乘法求回归方程的条件除了要求诸xi不完全相同外，没有其它条件，也就是说无论变量x与Y是否具有线性关系，只要诸xi不完全相同，使用最小二乘法总能求出a与b的一个无偏估计a与b，并能得到变量x与Y的一个线性回归方程 若果变量x与Y之间存在线性相关关系，那么模型Y=a+bx+ε中b不应为零。否则，就有Y=a+ε，这意味着x与Y没有任何关系。因此，我们需要假设 H 进行检验。当拒绝H0 为了给出显著检验H0 SS= 称SS为总偏差平方和，它反映了数据中变量取值y1 SS 称SSR为回归平方和，它放映了n个回归数值y1,，y2, SS 记SS 其中yi-yi称为第i个残差，i=1，2， SS 小面推导残差平方和的计算公式，由 y 推得 SS 这样我们就得到平方和的分解公式 SS=SS 对回归系数的显著性检验一般有一下三种方法 （1）t检验法 (回归系数的显著性检验) 取检验统计量 T= 可以证明，当H0：b=0成立时，T~t(n-2)于是，在显著性水平α下，当t （2）F检验法 （回归系数的显著性检验） 取检验统计量 F= 这里的F检验其实就是方差分析的内容，见下表2.1 表2.1 一元线性回归方程的方差分析表 方差来源 平方和 自由度 均方 F值 回归 ss 1 MSR= F= 误差 ss 2 MSE 总计 SS n-1 可以证明，当H0：b=0成立时，F~F(1，n-2)。于是在显著水平α下，确定临界值Fα(1，n-2) 在线性一元回归分析中，回归方程的显著性检验和回归系数的显著性检验作用是相同的，两者可以