气象统计分析与预报方法：07_第二章-回归分析3.pptxVIP

1; 在气象预报中，对预报量的预报常常需要从可能影响预报y的许多因素中挑选一批关系较好的作为预报因子，应用多元线性回归的方法建立回归方程来作预报。;;逐步回归 分析方法是针对这一问题提出的一种常用的方法。;因子数目 – Number of factors; Model;因子数目 –Number of factors;;因子数目 –Number of factors;单相关系数越高，对残差平方和下降的贡献越大，即r越大，Q越小； 多引入一个因子，残差平方和就下降一些。 例如在r=0.5时，从用1个因子建立回归方程到用2个因子建立回归方程，残差平方和从0.75下降到0.67，下降幅度是0.08（表2.4）。 表明，增加因子个数会使方程残差平方和缩小，有利于资料的拟合。;当因子增加到一定数目，残差平方和下降的幅度就很小了。 例如在r=0.5时，从用7个因子建立回归方程到用8个因子建立回归方程，残差平方和从0.56下降到0.55，下降幅度只下降了0.01。以后下降速度更慢。 说明，再增加因子个数对提高方程的精度已经不起多大作用。;;因子数目 –Number of factors;因子数目太多，对回归方程残差平方和Q 下降的贡献已经不大，反而增加了计算工作量; 因子之间相关较小（近似独立）时，对回归方程残差平方和Q 下降的贡献较大; 因此，在选择因子时，要使得因子之间的相关系数尽可能的小，而因子与预报量之间的相关要尽可能大，才能提高方程的精度.;逐步回归;回归系数的显著性检验;在假设条件成立下，用统计量;例;即 ;于是标准化变量回归方程可写为;首先我们对bz1 进行检验，在假设 ?z1 =0 的条件下，有;同样，对bz4 行类似检验，算出 F=1.89 Fα 。 说明bz4也是不显著的。 ; 就一般情况而言，回归方程中所包含的因子个数越多，那么回归平方和 U 就越大，残差平方和 Q 就越小，残差方差的估计 就愈小，预报值的置信区间就愈小，方程一般也较容易通过检验。;但是，因子个数增多，也给方程增加了不少与预报量关系不大的因子，给预报带来下面三个明显的缺点： 首先，在预报时，由于因子增多，计算量大，要花很多计算时间； 第二，如果方程中含有对 y 不起作用或作用极小的因子，那么残差平方和不会由于这些变量??增加而减少多少，相反由于 Q 的自由度的减少，使残差方差估计 增大，影响预报值置信区间估计的增大；;第三，由于存在着对预报量 y 影响不显著的因子，随之带来许多其它与预报量无关的随机因素，以致影响回归方程的稳定性，反而使预报效果下降。 ; 我们还是通过对[例4]中所选的四个因子来讨论这个问题。 我们先来考察由4个因子组成的回归方程一共有多少种组合，对每一种组合的回归方程，计算其残差方差估计，并对方程中每个因子进行显著性检验。24-1=15种。;;而全部因子显著、且 较小的是第（5）个方程，即; 一个可行的方案是：从包含全部变量的回归方程中逐步剔除不显著的因子。 例如：上例中的情况，一开始建立方程（15），然后对每个因子作检查。 因为在作单个因子检验时，公式（2.37）中分母是不变的（在不同因子检验时），因此只比较各因子的分子部即可，从它们之中找出方差贡献最小者作 F 检验。 ; 若方差贡献最小者的F检验结果是显著的，则其余因子自然也是显著的，就不需要再一个个分别作检验； 若方差贡献最小者的F检验结果不显著，则剔除这一因子，然后对少一个因子的方程再重复上一过程。 重复上面的过程，直到产生 “最优”的方程。这是一个可行的方案。; 在这一方案中，还存在三个问题： 其一是因子的方差贡献代表什么样的意义； 其二是为什么不同时把几个不显著的因子从方程中剔除出去，而是要每次剔除一个； 其三是在过程中，每剔除一个因子就得重新计算新方程中的回归系数，当因子较多时，计算量仍是很大。;回答问题一： 我们知道，总离差平方和可以分解为回归平方和和残差平方和，其中回归平方和是所有因子对预报量的总贡献。 所考虑的因子越多，回归平方和就越大，因此若从所考虑的因子中去掉一个因子时，回归平方和只会减少，不会增加。减少的数值越大，说明该因子在回归中所起的作用越大，表明该因子越重要，可用此衡量该因子的方差贡献大小。 Vk就是去掉因子xk后，回归平方和减少的量。 这部分又称偏回归平方和，它可以衡量每个因子在回归中所引起的作用的大小。;回答问题二： 在剔除因子的过程中，两个因子方差贡献都比较小，我们只能剔除其中一个，而不应该一起剔除。 因为两个因子之间可能存在密切的相关关系，在剔除其中一个之后，这时回归平方和不会减小很多。但是如果两个因子同时剔除，则会比较多地减少