生物统计学课件：第8章 多元线性回归和相关.pptVIP

复习：一元回归和相关 一元回归分析：建立x与y之间的回归方程，利用方程由x来预测y。 如果x与y存在相关，但不需要由x来估计y，只需要对x与y进行相关分析。R为相关系数，取值范围从-1到1。 R2为决定系数，取值范围为0~1，只能反应相关程度，而不能反应相关性质。 多元线性回归和相关 一元线性回归研究的是一个依变量与一个自变量之间的回归问题，但是，在畜禽、水产、食品等科学领域的许多实际问题中，影响依变量的自变量往往不止一个，而是多个，比如绵羊的产毛量这一变量同时受到绵羊体重、胸围、体长等多个变量的影响，因此需要进行一个依变量与多个自变量间的回归分析，即多元回归分析（multiple regression analysis），而其中最为简单、常用并且具有基础性质的是多元线性回归分析（multiple linear regression analysis），许多非线性回归（non-linear regression）和多项式回归（polynomial regression）都可以化为多元线性回归来解决，因而多元线性回归分析有着广泛的应用。研究多元线性回归分析的思想、方法和原理与直线回归分析基本相同，但是其中要涉及到一些新的概念以及进行更细致的分析，特别是在计算上要比直线回归分析复杂得多，当自变量较多时，需要应用计算机进行计算。 多元线性回归和相关 多元线性回归分析的基本任务包括： 根据依变量与多个自变量的实际观测值建立依变量对多个自变量的多元线性回归方程； 检验、分析各个自变量对依自变量的综合线性影响的显著性； 检验、分析各个自变量对依变量的单纯线性影响的显著性，选择仅对依变量有显著线性影响的自变量，建立最优多元线性回归方程； 评定各个自变量对依变量影响的相对重要性以及测定最优多元线性回归方程的偏离度等。 多元线性回归方程的建立 多元线性回归中，自变量x个数有k个(k≥2)n组，设x1、 x2、…、 xk为自变量观测值，y为因变量观测值，则一个k元线性回归的数学模型为： 式中k1，β0为截距， β1~ βk为偏回归系数，ε为随机误差，服从N(0,σ)的正态分布 。 多元线性回归方程的建立 多元线性回归中，自变量x个数有k个(k≥2)n组，设x1、 x2、…、 xk为自变量观测值，y为因变量观测值： 多元线性回归方程的建立 假定因变量y与自变量x1、x2、…、xm间存在线性关系，其数学模型为： 式中，x1、x2、…、xm为可以观测的一般变量（或为可以观测的随机变量）；y为可以观测的随机变量，随x1、x2、…、xm而变，受试验误差影响；σ2为相互独立且都服从的随机变量。我们可以根据实际观测值对以及 方差σ2作出估计。 多元线性回归方程的建立 设y对x1、x2、…、 xm的元线性回归方程为： 式中，b0、b1、b2、…、bm为 的最小二乘估计值。即b0、b1、b2、…、bm应使实际观测值y与回归估计值 的偏差平方和最小。 多元线性回归方程的建立 例 随机抽查某渔场16次放养记录，得到结果(单位:kg)，要建立鱼产量（y）和投饵量（x1）、放养量（x2）的线性回归方程，并预测x1 =12.5， x2 =2.5时y平均数的置信区间、y观测值的置信区间。 这是一个二元线性回归问题，设y对x1、x2的线性回归方程为： 用DPS解题： （1）输入数据与选择数据： （2）菜单： （3）对话框： （4）点击“返回编辑”，即可出结果： 方差分析表与决定系数： 结果： 回归系数及假设检验： 结果： y平均数的置信区间、y观测值的置信区间 当x1=12.5，x2=2.5，预测y平均数的95%置信区间与y观测值95%的置信区间： 自变量的重要性和取舍 例 分别测定21尾狗鱼性成熟个体的全长x1 (cm)、体长x2 (cm)、体重x3 (g)、年龄x4 (a)、空壳重x5 (g)、卵巢重x6 (g)和绝对怀卵量Y (粒)，试建立x1~x6与怀卵量Y之间的最优多元线性方程 用DPS解题： （1）输入数据与选择数据： 用DPS解题： （2）菜单： 用DPS解题： （3）结果： 引入1个变量时的最优回归方程： 引入2个变量时的最优回归方程： 引入3个变量时的最优回归方程： 引入4个变量时的最优回归方程： 引入5个变量时的最优回归方程： 引入6个变量时的最优回归方程： 结论： Minitab法做题 （2）菜单： （3）对话框设置： 结果： （1）回归方程： 结果