第九章-线性代数模型的回归分析.pptVIP

第九章 线性代数模型的回归分析 在生产、科研和试验过程中，总涉及到许多因素或变量，这些变量之间相互联系和相互制约，在一定的条件下可以相互转化。为了了解和掌握这些关系，往往需要找出表示这些变量间内在关系的定量表达式，前几章讨论了最小二乘法求表达式模型的方法，本章的回归分析就是用数理统计方法处理变量相关关系。一般变量之间的关系有两种类型：确定性关系和相关关系。 若两个变量具有确定性关系，是指可以唯一地由一个量来确定另一个量。在数学分析中以完全确定的函数关系为研究对象。如匀速运动中，路程S和时间t的关系为： S=v×t 所谓相关关系是指两个或两个以上的变量间，当一个量唯一地确定后，另一个量并不唯一确定，但它又不是毫无规律地任意取值，而是按一定的概率分布取各种可能值，当其中的一个变量改变时，另一个的分布也按一定的规律改变。 9．2一元线性回归分析 9.2.2 回归方程的显著性检验 一元回归线性回归方程的方差检验 若经检验，回归不显著，则应查明原因。一般由下列原因造成： 1、除x外，还有其它因素影响y取值 2、X与y可能存在非线性关系 3、X与y可能不存在关系 继续工作步骤： 对于原因1，分析可能的其它因素，建立多元回归方程或逐步回归方程，再进行检验。 对于原因2，由实验数据作出实验曲线，分析其可能的数学模型，进行变量代换，化为一元线性回归问题。 进行上述分析仍不能解决问题，说明X与y不存在关系，放弃回归方程。 9．6回归分析的预报与控制 9．5．1可化为线性回归的非线性相关模型 9·3二元线性回归分析 求偏导后，解此正规方程即得到 9.3.2 二元回归方程的显著性检验 对回归效果的检验，一方面通过实验检验，另一方面由计算回归方程的全相关系数R值及剩余标准差S值来检验。 9．3．3二元回归系数的显著性检验 在二元回归模型中，不仅要知道回归方程是否显著，而且要知道在x1；，x2两个因素中，何者对y的影响最显著，以便剔除那些次要的，可有可无的变量，建立更简单的回归方程。 目前常用的检验方法有三种： （1）比较标准回归系数，由于与x1，x2, y的单位无关，可以直接比较，绝对值大的影响就显著。计算公式如下 （2）比较偏回归平方和Pi y对某个特定自变量xi的偏回归平方和Pi是指在回归方程中除去这个自变xi而使回归平方和减少的数值： * * 确定性关系与相关关系之间并无严格的界限，在许多实际问题中，由于变量间的复杂性，或由于测试过程中的误差，致使变量间的关系具有不确定性。另一方面，当掌握了其内部规律后，相关关系又可能转化为确定性关系。 在实际应用中，人们为了方便往往把容易控制或测量的量，当作确定性的自变量，而把不易控制或测量的量当作随机性的因变量。 自变量和因变量按其确定性划分为三类； 1．两者都是确定性变量； 2．两者都是随机性变量； 3．一个是确定性的，而另一个是随机性的变量。 第一种情况属于数学分析中研究的对象。 第二、三种情况则统称为回归分析或相关分析。 回归分析研究的数学模型是线性模型与多项式回归模型，以及可以化为线性的模型。回归分析在生产中也得到广泛地应用。如在煤加工过程中，煤焦油产率x，粗苯产率y和焦炉煤气产率Z均取决于装炉煤的种类和其干燥无灰基挥发份Vdaf的含量，统计模型为： 与其类似的应用如焦炭中灰份，硫份的含量同煤中灰份、硫份含量呈一元线性关系。 Ad煤=K·A焦十b Sd煤=K/·s焦＋b/ 用于生产控制的还有； 式中G一粘结指数；Vdaf－挥发价：M40和M10分别表示焦，炭的两种强度指标。 以上都是从大量生产数据中统计回归得到的。回归分析主要解决以下几个方面的问题： 1．研究并确定几个特征变量间有无相关关系，如果是相关的，则求出相关关系的模型表达式。 2．对找出的相关关系进行统计检验，以确定此关系的相关程度； 3．从诸多因素中寻找主要影响因素和次要影响因素； 4．利用所求的关系，进行预测或预报等。 一元回归线性分析是回归分析中最简单的一种，它研究的对象是两个变量（x，y）之间的相关关系。其数学模型为： 其中a、b为模型参数,待定。 9．2．1回归模型的求解 一元回归分析模型参数的求解是通过n对实验数据(xi,yi)