生物统计学：第10章 多元线性回归分析及一元非线性回归分析.ppt

如，细菌生长数量（Y）与时间（X）呈指数函数关系Y＝aebX，将等式两边取自然对数（或者取常用对数）， 令：Y＇=ln Y， a＇=ln a， 则可变为线性回归方程， 至于对数函数 Y=a+lnX，只要令X＇＝ lnX 即为线性方程： 若经以上三种变换，均不能直线化，则应考虑使用其他的方法做变换。 例 1 （p168） 在凝血实验中，测定15只鸡的维生素K摄入量X与添加血凝剂浓度Y，求Y对X的回归关系。 先在直角坐标系上做散点图，判断X和Y是否存在线性关系。 根据散点图情况选择适当的曲线来配合实验数据，进行数据变换。 由于在对数变换（即logX和logY）的直线化程度最高。因此，令： 则 Y’ = a’+bX’ 可以按照一元线性回归进行分析。 by’x’= -1.89, a’=3.01 因为a’=log a，所以 a=1023.29 所以，Y = aXb=1023.29X-1.89 二、曲线配合的拟合度 一般情况可用剩余均方的大小，来判断拟合的优劣，剩余均方愈小，拟合愈好。但计算剩余平方和时，必须用实际观察值与回归估计值之差的平方和计算。 可见幂函数的决定系数远远大于线性的，即剩余均方更小。因此幂函数回归比线性拟合得好，为了得到最理想的回归关系，最好多做几种变换，从中选出最优者。 * * 多元线性回归（multiple Linear regression） 一、多元线性回归模型 在回归问题中，一个量只受一种因素影响的情况是较少的，往往是很多因素共同影响一个量。 例如，农作物的产量，除受种植密度影响之外，还受施肥量、灌水量和田间管理次数等的影响。 例如，动物体重的增加与饲料中蛋白质含量、饲料总量和每日透料次数等都有关。 特别是当几个自变量之间还存在相关时，只考虑一个自变量与因变量的关系，往往得不到正确的结果。必须同时考虑几个因素的共同作用，才能得到比较正确的结论。这就是我们要讨论的多元回归问题。 一个典型的多元回归资料，可以列成下表。 表 10.1 典型的多元线性回归数据 第p 次观察值为： 其中e1，e2，… ，en是相互独立且服从正态分布的随即变量。该式即所谓的多元线性回归模型。 多元线性回归和一元线性回归一样，用最小二乘法求a和bj 的估计值a和bj 。所不同的是，一元回归中，只需求出a和1个b，而多元回归中则需求出a和k个b。用a和b1，b2，… ，bk 分别表示a和b1，b2，… ，bk 的估计值。根据最小二乘法，回归方程 其中的a和bj应使得全部实际观察值 与回归估计值?p的离差平方和达到最小。 将方程组整理 ，可得 正规方程 解上述方程组，可以得到b1，b2，…，b k。a由（1）式给出， 由实际观察值，计算得到的bj是bj的无偏估计量，a是a的无偏估计量，于是得到多元回归方程： 其中a为常数项；b1，b2，… ，bk分别称为Y对X1，X2，… ，Xk的偏回归系数（partial regression coefficient）。它表示当其它自变量都固定时，该自变量每变化一个单位而使因变量平均改变的数值。 二、多元回归方程的计算 例10.1 为研究黄牛的体重与体长和胸围的关系。测定了20头鲁西黄牛的体长、胸围和体重，试建立体重对体长和胸围的回归方程。 （教科书中p150） 序号 体长X1 胸围X2 体重Y 序号 体长X1 胸围X2 体重Y 1 2 3 4 5 6 7 8 9 10 151.5 156.2 146.0 138.1 146.2 149.8 155.0 144.5 147.2 145.2 186.0 186.0 193.0 193.0 172.0 188.0 187.0 175.0 175.0 185.0 462.0 496.0 458.0 463.0 388.0 485.0 455.0 392.0 398.0 437.0 11 12 13 14 15 16 17 18 19 20 138.0 142.5 141.5 149.0 154.2 152.0 158.0 146.8 147.3 151.3 172.0 192.0 180.0 183.0 193.0 187.0 190.0 189.0 183.0 191.0 378.0 446.0 396.0 426.0 506.0 457.0 506.0 455.0 478.0 454.0 解 将数据按表中的要求整理好，然后计算 于是得出二元回归方程 方程中的3.03和3.80都称为偏回归系数。偏回归系