数理统计线性回归.ppt

数理统计-线性回归;变量之间的关系;变量之间的关系;2.统计相关关系：变量之间存在某种关系，但变量Y并不是由变量X唯一确定的，它们之间没有严格的一一对应关系。两个变量间的这种关系就是统计关系，亦称相关关系。例如:小麦的产量Y与施肥量x1,品种x2等存在关系,但给定x1,x2的数值后Y的值还是无法确定的.; 一般说来,在给定X=x条件下Y的条件概率分布 ,则Y与X的关系就清楚了.但在实际中要求解往往是非常困难的.;确定性关系和相关关系的联系:;问题的分析;问题的一般提法;求解步骤;x=100:10:190;y=[45,51,54,61,66,70,74,78,85,89]; plot(x,y,.r);一元线性回归问题;3.未知参数a,b的估计-----最小二乘法;意义：实际测得的点与直线上的理论点之间的误差的平方和最小．;正规方程组;回归方程　回归直线;参数估计量的性质;例2 例1中的随机变量 Y 符合一元线性回归模型所 述的条件, 求 Y 关于 x 的线性回归方程 .;残差平方和－－反应的是在试验中由随机因素 的影响而引起的误差．;离差平方和－－反应整批数据的波动程度．;例3 求例2中方差的无偏估计.;5.线性相关性的显著性检验;2).相关系数检验法;例4 检验例 2 中的回归效果是否显著,取显著性水平为 0.05 .;6.预测与控制;(2). Y 的观察值 的估计;例5 (续例2);计算;(2)在MATLAB中求解;控制：怎样控制自变量x的值才能使Y的值以1-?的置信度落所在要求的区间[a,b]内,即;例6 对某产品的表面进行腐蚀刻线试验，设腐蚀 深度Y与时间x的结果如下表：;显著性检验：;预测：;　　方法——通过适当的变量变换,化成一元线性 回归问题进行分析处理.;两边取对数;例７ 表 9.18 是 1957 年美国旧轿车价格的调查资料,今以 x 表示轿车的使用年数, Y 表示相应的平均价格(以美元计), 求 Y 关于 x 的回归方程 .;;选择模型;;线性假设的显著性检验;小　　结;?4.2 多元线性回归分析;多元线性回归模型;;化简可得;正规方程组;最大似然估计值;残差平方和;F检验法:;多元线性回归;符号说明;(2) alpha为显著性水平, 默认为 0.05;;身高;输入数据;;残差分析;一元多项式回归;2.预测和预测误差估计用命令:;例2　下面给出了某种产品每件平均单价 Y(元) 与 批量 x (件) 之间的关???的一组数据 .;输入数据;化为多元线性回归;多元二项式回归;　　rstool的输出是一个交互式画面,画面中有m个 图形,分别给出了一个独立变量xi与y的拟合曲线, 以及y的置信区间,此时其余m-1个变量取固定值.可 以输入不同的变量的不同值得到y的相应值.;;例3　设某商品的需求量与消费者的平均收入、商 品价格的统计数据如下, 建立回归模型, 预测平均收 入为 1000, 价格为 6 时的商品需求量 . ;选择纯二次模型,即;化为多元线性回归求解;回归系数的点估计以及区间估计;残差及其置信区间;检验回归模型的统计量;逐步回归分析;选择“最优”回归方程的方法;　　逐步回归分析法在筛选变量方面比较理想, 是 目前较常用的方法. 它从一个自变量开始, 根据自变 量作用的显著程度, 从大到小地依次逐个引入回归 方程, 但当引入的自变量由于后面变量的引入而变 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, 都进行检验, 以确保每次引入新的显著性变 量前回归方程中只包含作用显著的变量.;函数: stepwise;例4　水泥凝固时放出的热量 y 与水泥中的四种化 学成分 x1, x2, x3, x4 有关, 今测得一组数据如下, 试 用逐步回归法确定一个线性模型.;x1=[7,1,11,11,7,11,3,1,2,21,1,11,10]; x2=[26,29,56,31,52,55,71,31,54,47,40,66,68]; x3=[6,15,8,8,6,9,17,22,18,4,23,9,8]; x4=[60,52,20,47,33,22,6,44,22,26,34,12,12]; y=[78.5,74.3,104.3,87.6,95.9,109.2,102.7,72.5,93.1, 115.9,83.8,113.3,109.4]; x=[x1,x2,x3,x4];;对变量 y 和 x1, x2 作线性回归.;3.MATLAB中回归分析的实现