回归分析总结(16763).pdfVIP

回归分析 应用最广泛的一种办法。但回归分析要求大样本，只有通过大量的数据才能得到量化的 规律，这对很多无法得到或一时缺乏数据的实际问题的解决带来困难。回归分析还要求几 样本有较好的分布规律，而很多实际情形并非如此。例如，我国建国以来经济方面有次大起 大落，难以满足样本有较规律的分布要求。因此，有了大量的数据也不一定能得到统计规律， 甚至即使得到了统计规律，也并非任何情况都可以分析。另外，回归分析不能分析因素间动 态的关联程度，即使是静态，其精度也不高，且常常出现反常现象前面我们讲过曲线拟合问 题。曲线拟合问题的特点是，根据得到的若干有关变量的一组数据，寻找因变量与（一个或 几个）自变量之间的一个函数，使这个函数对那组数据拟合得最好。通常，函数的形式可以 由经验、先验知识或对数据的直观观察决定，要作的工作是由数据用最小二乘法计算函数中 的待定系数。从计算的角度看，问题似乎已经完全解决了，还有进一步研究的必要吗? 从数理统计的观点看，这里涉及的都是随机变量，我们根据一个样本计算出的那些 系数，只是它们的一个（点）估计，应该对它们作区间估计或假设检验，如果置信区间 太大，甚至包含了零点，那么系数的估计值是没有多大意义的。另外也可以用方差分析 方法对模型的误差进行分析，对拟合的优劣给出评价。简单地说，回归分析就是对拟合 问题作的统计分析。 数据的标准化处理数据的中心化处理是指平移变换 数据的无量纲化处理在实际问题中，不同变量的测量单位往往是不一样的。为了消除变量的 量纲效应，使每个变量都具有同等的表现力，数据分析中常用的消量纲的方法，是对不同的 变量进行所谓的压缩处理，即使每个变量的方差均变成 1 标准化处理所谓对数据的标准化处理，是指对数据同时进行中心化－压缩处理 x x y y  ， 一元线性回归假设对于 的 n 个值 i ，得到 的 n 个相应的值 i ，确定 0 1 的方法是根 据最小二乘准则，要使 n n Q( ,  )   2  [y  (   x )]2 0 1 i i 0 1 i i1 i1 Q Q  0,  0 ˆ ˆ    ，  ， 取最小值。利用极值必要条件令 0 1 ，求 0 1 的估计值 0 1 ，从而得到 ˆ ˆ y     x 回归直线 0 1 。只不过这个过程可以由软件通过直线拟合完成，而无须进行繁杂的 运算。 （1）参数的区间估计 ˆ ˆ ˆ ˆ  ，  ， 由于我们所计算出的 0 1 仍然是随机变量，因此要对 0 1 取值的区间进行估计，如果 区间估计值是一个较短的区间表示模型精度较高。 （2 ）对误差方差的估计 ˆ 设y i 为回归函数的值，y i 为测量值，残差平方和 n ˆ 2 Q   (y  y ) i i i1 2 Q s  剩余方差 n  2 （3 ）线性相关性的检验 由于我们采用的是一元线性回归，因此，如果模型可用的话，应该具有较好的线性关系。反 映模型是否具有良好线性关系可通过相关系数 R 的值及F 值观察（后面的例子说明）。 一个好的拟合方程，其残差总和应越小越好。残差越小，拟合值与观测值越接近， 各观测点在拟合直线周围聚集的紧密程度越高，也就是说，拟合