用最小二乘法求解线性模型及对模型的分析.docx

用最小二乘法求解线性模型及对模型的分析 作者:邓春亮 1.研究30名儿童体重为因变量与身高为自变量的关系?儿童体重与身髙的记录如下表: 编号 体重Y(kg) 身髙X(cm) 1 2 3 e 4 5 6 7 8 9 10 11 12 13 ■ 1 14 15 16 17 18 19 20 21 22 23 1 ( 24 25 26 27 28 29 30 % 试用计算机完成下面统计分析: （1） 应用最小二乘法求经验回归方程： （2） 以拟合值刃为横坐标，残差为纵坐标，作残差图，分析Gauss-Markou假设对本例的适用性； （3） 一 1 .4. 考虑因变量的变换U = Y^,再对新变量〃和X重复（1）和（2）的统计?分析； （5）将Box-Cox变换应用到本例，计算变换参数几的值，并做讨论。 说明：第一题的数据和结果文件见附件1,下面第二题的数据文件和结果文件见附件2,必要时可参看。 解: （1）在SPSS窗口中录入数据，首先进行异常值检测，探査对回归估汁有异常大影响的数据匚 先利用SPSS画出体重与身髙的散点图 图1 — 1 从图1可以看出没有明显不一致的点。 也可以通过SPSS软件计算COOK统计量，看下表 表1 —1 编号 残差玄 学生化残差斥 center/:|7 COOK统计量D 1 2 3 4 5 6 7 8 9 .03312 ?70477 .49003 ?02204 ?47518 .34183 .05491 .02770 .03138 .00489 .05161 ?11182 .08920 .07294 ) .00594 .07835 .00002 .07778 .00463 ?01048 .00992 .04807 .07800 ?01180 Mean Square Mean Square 10 B .85964 .42576 .00310 .00351 .01397 .00347 11 ?64786 .31710 .01355 .00247 12 .48000 .00710 .00143 ?00000 13 .01081 .00594 ?07726 14 .00139 .00520 15 .00434 .02547 16 .00008 ?00190 17 .00643 18 ； .00431 19 .01183 .09329 20 .00038 ?02940 0 .00003 ?01989 21 .00434 ?03608 22 .03249 ?10611 23 ?02522 ?04150 24 .62283 .07268 ?02300 25 ?91306 ?02088 .00320 26 .03121 ?01134 27 .01887 1 28 - ?04026 29 ) .11878 .02935 30 .89321 .64671 ?17316 .05442 ? ■ ? ■ 从上而数据看残差值和中心化的杠杆率center//,的值没有异常大的，数据，这里（几二center%+l/n）, COOK统计 量9值也没有异常大的数据，一般来说，残差值和杠杆率越大，COOK统讣量就越大，残差值和杠杆率越小，COOK 统计量就越小。可见这些数据是比较一致的。接下来对这些数据求解经验回归方程。 然后利用最小二乘法，在SPSS中Analyze菜单卜依次选择Regress:2-Stage Least Square,选择因变量和自变最执 行可输出结果如下表： 表1 一2 MODEL: M0D.3 ? Equation number: 1 Dependent variable..体重Y Listwise Deletion of Missing Data Multiple R R Square Adjusted R Square Standard Error .80301 .64483 .63215 Regressi onResidualsF = Regressi on Residuals F = Signif F = .0000 Variable 身高 Variable 身高X (Consta nt) T SigT.0000 T SigT .0000 .395087 .055412 ?803014 .0007 Correlation Matrix of Parameter Estimates 身高X 身髙X 这里可以看出所求经验回归方程的常数项(Constant)为，身髙X的系数为。 故经验回归方程为： 通过SPSS,可得拟合值与残差如下表 表1 —3：拟合值与残差表 体重Y 身髙X ( 拟合值yt 残差g .03312 2 ?70477 .49003 .64786 .48000 .01081 ? 1 ?91306