直线回归与相关的分析.pptVIP

I II III IV I II III IV I II III IV I II III IV I II III IV I II III IV I II III IV 直线相关的两个变量的相关程度和性质 乘积和 互变量 （1)单位问题 （2)x与y本身的变异不影响x与y之间的相关性 ？ ｎ r 两个变量的变异程度 两个变量的度量单位 两个变量的个数 r可以用来比较不同双变量的相关程度和性质。 样本 总体 两个变量在相关系数计算中的地位是平等的，没有自变量和依变量之分 相关 回归 区 别 联系 决定系数 coefficient of determination 变量x引起y变异的回归平方和占y总变异平方和的比率 当SSy固定时，回归平方和U的大小取决于r2。 回归平方和U是由于引入了相关变量而使总平方和SSy减少的部分。 说明引入相关的效果好 否定H0:β=0，接受HA:β≠0，认为黏虫孵化历期平均温度与历期天数间有真实直线回归关系。 同一概率值 F（一尾）值（df1=1,df2=n-2） t值（两尾）（df=n-2） 四、直线回归的区间估计 点估计 四、直线回归的区间估计 a和b的置信区间 （一） μy/x 的置信区间和单个y的预测区间 （二） μy/x 和单个y观测值置信区间图示 （三） (一）a和b的置信区间 (一）a和b的置信区间 df = 2 (一）a和b的置信区间 总体回归截距α的置信区间 (一）a和b的置信区间 总体回归系数β 的置信区间 95%的样本回归截距落在该区间内 95%的样本回归系数落在该区间内 (二）μy/x 的置信区间和单个y的预测区间 不包含随机误差 由回归方程预测x为某一定值时y的观测值所在区间，则y观测值不仅受到y和b的影响，也受到随机误差的影响。 y总体的平均数 单个y值所在的区间 x 点估计 (二）μy/x 的置信区间和单个y的预测区间 df = n-2 y总体的平均数 单个y值所在的区间 x y总体的平均数 黏虫孵化历期平均温度为15℃时，历期天数为多少天（取95％置信概率）？ df =n- 2 y总体的平均数 x 单个y值所在的区间 单个y值所在的区间 某年的历期平均温度为15℃时，该年的历期天数为多少天（取95％置信概率）？ (二）μy/x 的置信区间和单个y的预测区间 (三）μy/x 和单个y观测值置信区间图示 正比 反比 愈靠近 x ，对y总体平均值或单个y的估计值就愈精确，而增大样本含量，扩大x的取值范围亦可提高精确度。 作回归分析时要有实际意义。 直线回归注意问题 不能把毫无关联的两种现象勉强作回归分析，即便有回归关系也不一定是因果关系，还必须对两种现象的内在联系有所认识，即能从专业理论上作出合理解释或有所依据。 进行直线回归分析之前，绘制散点图。 直线回归注意问题 当观察点的分布有直线趋势时，才适宜作直线回归分析。 散点图还能提示资料有无异常值，即对应于残差绝对值特别大的观测数据。异常点的存在往往对回归方程中的a和b的估计产生较大的影响。因此，需要复查此异常点的值。 直线回归的适应范围一般以自变量的取值为限。 直线回归注意问题 在自变量范围内求出的估计值，一般称为内插(interpolation);超过自变量取值范围所计算出的估计值，称为外延(extrapolation)。 若无充分理由证明超过自变量取值范围还是直线，应该避免外延。 描述两变量间的依存关系。 直线回归的应用 利用回归关系进行预测(forecast)。 直线回归的应用 将自变量作为预报回子，代入方程对预报量进行估计，其波动范围可按个体y值容许区间方法计算。 回归方程进行统计控制(statistical control). 直线回归的应用 NO2浓度 Y(NO2浓度，mg/m3)= -0.064866+0.000133x(车流量，辆／小时） ^ 第三节：直线相关 Linear Correlation 一、相关系数和决定系数 二、相关系数的假设检验 三、相关系数的区间估计 一、相关系数和决定系数 x y 线性关系 了解x和y相关以及相关的性质 相关系数 相关类型 正相关 负相关 零相关 0 x y a0,b0 a0,b0 a0,b0 a=0 b=0 变量1 变量2 收集数据 散点图 温度 天数 X Y 平均温度（℃） 历期天数（d ） 11.8 30.1 14.7 17.3 15.6