试验设计与分析教学课件-线性模型的统计推断.pptx

实验设计与分析第4章 数据的回归分析易泰河 副教 mailto:yitaihe@nudt.edu.cnyitaihe@nudt.edu.cn国防科技大学 系统工程学院例研究某一过程的产量, 考虑三个试验因子: 温度、压力和催化剂浓度. 每个因子取两个水平, 试验方案和试验结果如下: 利用第三章的知识分析上述试验数据.试验号试验因子原始变量产量温度()压力(psig)催化剂浓度(g/l)试验号试验因子原始变量产量压力(psig)催化剂浓度(g/l)引 言温度压力催化剂浓产量45.5040.5050.0052.0051.0051.5050.5056.7561.7552.2550.2551.2550.7551.75效应平方和产量45.5040.5050.0052.0051.0051.5050.5056.7561.7552.2550.2551.2550.7551.75效应平方和引 言例研究某一过程的产量, 考虑三个试验因子: 温度、压力和催化剂浓度. 每个因子取两个水平, 试验方案和试验结果如下: 利用第三章的知识分析上述试验数据.能否预测的产量?如果第号试验的结果丢失了，怎么办??试验号试验因子原始变量产量压力(psig)催化剂浓度(g/l)试验号试验因子原始变量产量温度()压力(psig)催化剂浓度(g/l)引 言?编码变换：把尺度不同的因子转换为;试验号?原始变量原始变量编码变量产量压力(psig)催化剂浓度(g/l)试验号?原始变量原始变量编码变量产量温度()压力(psig)催化剂浓度(g/l)回归模型：定量因子与响应变量之间的连续依赖关系?引 言????????线性模型设表示个连续的试验因子, 线性模型已知、线性独立, 即不存在个不完全为的实数, 使得表示未知的回归系数向量. ?“线性”一词针对的是参数而不是自变量.是一个线性模型.?线性模型?设有次独立试验的样本:?线性模型的矩阵形式: , 其中?称为广义设计矩阵, 它由试验设计决定. ?Gauss-Markov 假定: .线性模型4.1 线性模型的参数估计4.2 线性模型的假设检验4.3 回归分析的应用教 学 目 标掌握线性模型的统计推断方法承上: 利用线性模型的统计推断方法来解释第二章和第三章中的参数估计和假设检验启下: 从便于回归分析计算和提高回归分析精度的角度引出回归设计本章教学内容与教学目标4.1 线性模型的参数估计4.1.1 模型参数的极大似然估计?, 参数的似然函数为对数似然函数为:矩阵函数求导公式?4.1 线性模型的参数估计4.1.1 模型参数的极大似然估计?对对数似然求导, 并令导数等于:?参数的极大似然估计: 4.1 线性模型的参数估计4.1.1 模型参数的极大似然估计?响应变量的回归值为为帽子矩阵, 它是对称幂等矩阵, .?残差向量: , 则???4.1 线性模型的参数估计4.1.1 模型参数的极大似然估计?残差平方和： 使达到极小值, 因此也是最小二乘估计.?记表示残差平方和的最小值, 越小线性模型对数据的拟合程度越好. 是的无偏估计吗？ 定理?设线性模型中, 与独立, , 且统计量是的无偏估计.4.1 线性模型的参数估计例（单正态总体的参数估计）设 以分别表示样本均值和样本方差, 则且与互相独立.?4.1 线性模型的参数估计?例（两样本检验）?设和互相独立, 以分别表示它们的样本均值和样本方差, 则4.1 线性模型的参数估计4.1.2 回归系数估计的性质?设为参数的某种估计, 的均方误差(Mean Square Error)定义为定理（回归系数最小二乘估计的性质）?线性模型中, 参数的最小二乘估计具有如下性质: ; 设为的特征值, 则.给定, 最小二乘估计的性质完全由矩阵决定. 记矩阵的第行第列元素为, 则, 只要有一个很小的特征值, 就会导致很大. ?4.1 线性模型的参数估计4.1.2 回归系数估计的性质推论设为线性模型中参数的最小二乘估计, 则对任意矩阵, 都有; 对任意都有 ;对任意, 是的无偏预测, 且?4.1 线性模型的参数估计例研究某一过程的产量, 考虑三个试验因子: 温度、压力和催化剂浓度. 每个因子取两个水平, 试验方案和试验结果如下: 拟合关于编码变量的回归模型:?试验号?原始变量原始变量编码变量产量压力(psig)催化剂浓度(g/l)试验号?原始变量原始变量编码变量产量温度()压力(psig)催化剂浓度(g/l)4.1 线性模型的参数估计????????????线性模型的参数估计:服从正态分布, 且与互相独立;矩阵非常重要！?小 结4.1 线性模型的参数估计4.2 线性模型的假设检验4.2.1 回归模型的显著性检验4.2.2 回归系数的逐个检验4.2.3 回归系数的分