整套教学课件《计算机在农业上的应用》.ppt

（七）多因子分析 因子分析 因子分析与主成分分析的区别： 主成分分析不能作为一个模型来描述，它只能作通常的变量变换，而因子分析需要构造因子模型； 主成分分析的主分量数m 和变量数p 相等，它是将一组具有相关性的变量变换为一组独立的变量，而因子分析的目的是使m 比p 小，而且要选取尽可能小的m，以便构造一个结构尽可能简单的模型； 主成分分析将主分量表示为原观测变量的线性组合，而因子分析将原观测变量表示为新因子的线性组合，即为新因子的综合指标。 所以，因子分析是主成分分析的发展和延伸。 （七）多因子分析 因子分析 因子分析的结果不仅要给出因子模型，而且要得出变量和因子间的相关系数，并由这些相关系数构成“因子结构”。一个完全的因子解包括因子模型和因子结构两个方面，因子结构反映变量与因子间的相关关系，而因子模型则是以回归方程的形式将变量表示为因子的线性组合。 罗积玉等运用因子分析方法研究影响小春粮食总产量的指标共有9 个：小春粮食播种面积x1、小麦播种面积x2、小麦良种推广比例x3、化肥用量x4、肥猪出栏数x5、农业人口x6、耕牛数量x7、小麦抽穗扬花期间气温x8和小麦抽穗扬花期间降雨量x9。共获得28 年数据。现采用因子分析方法研究各个变量之间的相关关系。 （七）多因子分析 编辑数据、定义成数据矩阵块 选择“多元分析→多因素分析→因子分析”功能项，按回车键执行，即可得到计算结果 王宏富（1962-），男，山西晋城人，教授，硕士生导师，作物栽培与耕作学系主任。中国耕作制度研究会理事，山西省质量技术监督局农业标准专家组成员，山西省作物学会理事。1984年毕业于山西农业大学，后留校任教，主要从事作物化控与逆境生理、农田杂草与防除、计算机在农业中的应用、农业结构调整等方面的教学与研究工作，为博士、硕士和本专科生主讲《旱地农业专题》、《高级耕作学》、《农业传播技术与应用》、《农学概论》、《计算机在农业中的应用》、《杂草学》、《水土保持农学》、《无公害农产品生产技术》等课程。 主持和参加国家“948”项目、教育部项目、省攻关项目、省自然基金项目、省开发项目与教学项目等多项，获省级研究成果一等奖1项、二等奖4项、三等奖1项；国家级出版社出版专著1部、21世纪教材1部（副主编）、国家统编教材1部（副主编）、十一五教材1部（副主编）、参编十一五教材1部，在国内外专业刊物上发表了学术论文30余篇。 第四章 数学模型模拟分析 要建立适合各学科特点的定量数学模型，仅用线性回归分析方法是远远不够的。这是因为变量间的关系的形式多样，例如温度与昆虫发育速率的关系呈S 形曲线，描述植物病害复利增长过程的逻辑斯蒂曲线，还有诸如施肥量与产量之间、光照度与光合作用效率之间、药剂浓度和害虫死亡率之间的关系等等，都绝非仅仅是线性关系的问题。 一种非线性数学模型的选择往往需要结合有关专业知识及学科特点。例如根据所研究物种的生物学性状和生态学规律选用合理的数学模型，使所建经验模型符合一定的生物学规律，又回到生物学研究中帮助人们认识更深层次的生物学问题。由于事物矛盾运动的普遍性和特殊性，非线性回归模型的形式很多。现有的生物统计书一般在介绍非线性回归模型时，只是列举一些虽然经常遇到、但多为两个变量间的简单非线性回归模型。这样的模型实际上仅占生物学研究中有可能被应用的非线性模型的极少部分。 DPS 系统为用户提供了通用的建立数学模型工具。用户完全可以根据自己的需要自定义模型。自定义模型可以是单因变量的线性回归模型或非线性经验模型，也可是包含多个因变量的联立线性回归模型或非线性模型方程组。这些线性和非线性模型可以是差分模型，也可以是对各个变量进行加权处理后产生的模型。只要用户能够自己定义出模型，就可以在DPS 系统支持下进行模型模拟和参数求解。 一、非线性回归模型 一元非线性回归模型 非线性回归分析模型中最常见的是建立两个变量之间函数关系的一元非线性回归模型。DPS 数据处理系统为引导用户快速地掌握非线性回归建模技术，对一元非线性回归模型参数估计过程，提供了非常方便而直观的用户界面。该界面提供了26 种常用且较典型的一元非线性回归方程供用户选用(下表)。应用这些非线性回归方程建立模型时，系统不需要使用者写入公式即可进行参数估计。但如果你认为这些回归方程式不能完整地表达你所构思的模型，也可以在这些回归方程式的基础上，进行修改、扩充，衍生出适合要求的新的回归方程。 一、非线性回归模型 一、非线性回归模型 建模界面的左上部是建模原始数据的x-y 散点分布图，可以根据数据点的分布状况，结合专业知识，选择合适的模型种类。 右边是模型选择框：可以在此选择模型的种类。 左下“回归方程”旁边的编辑框中给出该方程参数估计表达式，回归方程式下面是各个参数缺省初始值。 选定模型后，就可以直接点击右下部“