第四章 均匀设计(1)有关概念 回归.pptVIP

父亲与成年儿子身高之间的关系——散点图。 相关关系的类型 相关系数(correlation coefficient) 什么是回归分析？ ?从一组样本数据出发，确定变量之间的数学关系式 ?对这些关系式的可信程度进行各种统计检验，并从影响某一特定变量的诸多变量中找出哪些变量的影响显著，哪些不显著 ?利用所求的关系式，根据一个或几个变量的取值来预测或控制另一个特定变量的取值，并给出这种预测或控制的精确程度 1 回归方程的显著性检验，从总体上判定回归方程是否有效； 2 回归方程的总效果好坏的度量； 3 回归系数显著性检验，判定回归方程中那些自变量是显著的，将不显著自变量删除，以优化方程； 4 残差诊断，检验整个回归方程与数据拟合的是否很好，是否能进一步改进方程。 2. 两端平方后求和有（平方和展开后中间交叉项为0） 残差标准差 Sy ?实际观察值与回归估计值离差平方和的均方根 ?反映实际观察值在回归直线周围的分散状况 ?从另一个角度说明了回归直线的拟合程度 回归系数的显著性检验 回归系数b的样本方差 回归系数a的样本方差 计算检验的统计量 回归方程的残差诊断＊ 东风汽车公司铸造厂生产的缸体和缸盖，按国外标准要求对所生产的铸件要建立硬度和抗拉强度之间的关系图，以作为材质验收依据。为此该厂作了大量试验，发现铸件硬度和抗拉强度之间确实存在一定关系。下表列出了随机抽取的18组数据。现对这批数据进行分析。 多元线性回归模型 ?一个因变量与两个及两个以上自变量之间的回归 ?描述因变量 y 如何依赖于自变量 x1 ， x2 ，…， xp 和误差项 ? 的方程称为多元线性回归方程(模型) ?涉及 p 个自变量的多元线性回归模型可表示为 多元线性回归方方程的直观解释 参数的最小二乘法 多重样本决定系数（多重判定系数 R2 ） 1、 回归平方和占总离差平方和的比例 修正的多重样本决定系数 （修正的多重判定系数 R2 ） 用n表示观察值的数目，p表示自变量的数目，修正的多元判定系数的计算公式可表示为 非线性回归 ? 因变量 y 与 x 之间不是线性关系 ?可通过变量代换转换成线性关系 ?用最小二乘法求出参数的估计值 ?并非所有的非线性模型都可以化为线性模型 几种常见的非线性模型 指数函数 幂函数 双曲线函数 S 型曲线 对数函数 方法三：最佳子集法 把所有可能的自变量子集进行回归，回归结果列出，从中挑选出最满意的结果。 …Continue （1） （2） （4） （3） 一般，回归残差与拟合值、自变量、时间图的散点图有以下四种类型： 回归残差与拟合值的散点图不正常情况主要是(2)和(3)。出现(2)“喇叭口”形状，说明y需做变换，如取平方根、取对数、取倒数等； 回归残差与自变量散点图不正常情况主要是（3)，即出现“弯曲”，建议增加x的高阶项； 回归残差与时间的散点图较易出现（4）的情况，一般说明实验过程混入了未知的干扰因素。 实例4.3： 269 200.0 18 296 211.0 9 264 190.0 17 239 186.0 8 221 183.0 16 223 173.0 7 280 205.0 15 273 203.0 6 224 187.0 14 261 191.0 5 275 200.0 13 243 185.0 4 264 196.0 12 244 195.0 3 279 203.0 11 209 176.0 2 248 197.0 10 240 192.0 1 抗拉强度Y(Mpa) 布氏硬度x(HB) 序号 抗拉强度Y(Mpa) 布氏硬度x(HB) 序号 试验结果表 Excel一元线性回归结果 a、b置信区间 b0 ，b1，b2 ，?，bp是参数 ? 是被称为误差项的随机变量 y 是x1,，x2 ，? ，xp 的线性函数加上误差项? ? 说明了包含在y里面不能被p个自变量的线性关系所解释的变异性 二元线性回归模型 (观察到的y) 回归面 ?0 ?i x1 y x2 (x1,x2) } 根据最小二乘法的要求，可得求解各回归参数 的标准方程如下 使因变量的观察值与估计值之间的离差平方和达到最小来求得 。即 回归方程的显著性检验 反映回归直线的拟合程度 取值范围在 [ 0 , 1 ] 之间 R2 ?1，说明回归方程拟合的越好； R2?0，说明回归方程拟合的越差 例4.3： 机械加工中刀具耐用性主要由刀具承受的车削力决定，对同样的刚才和车削速度，车削力y主要受车削深度x1、进给量x2的影响，有如下关系：