插值、拟合与回归.pptVIP

Confidential,forreviewonlyBorland*Confidential,forreviewonlyBorland*Confidential,forreviewonlyBorland*Confidential,forreviewonlyBorland*Confidential,forreviewonlyBorland*Confidential,forreviewonlyBorland*Confidential,forreviewonlyBorland*Confidential,forreviewonlyBorland*Confidential,forreviewonlyBorland*Confidential,forreviewonlyBorland*Confidential,forreviewonlyBorland*Confidential,forreviewonlyBorland*Confidential,forreviewonlyBorland*Confidential,forreviewonlyBorland*Confidential,forreviewonlyBorland*Confidential,forreviewonlyBorland*Confidential,forreviewonlyBorland*139Confidential,forreviewonlyBorland*Confidential,forreviewonlyBorland*Confidential,forreviewonlyBorland**jkhh*对回归模型进行统计检验*jkhh*离差平方和的分解

（三个平方和的意义）总偏差平方和(SST)反映因变量的n个观察值与其均值的总离差回归平方和(SSR)反映自变量x的变化对因变量y取值变化的影响，或者说，是由于x与y之间的线性关系引起的y的取值变化，也称为可解释的平方和残差平方和(SSE)反映除x以外的其他因素（随机误差e）对y取值的影响，也称为不可解释的平方和或剩余平方和*jkhh*假设身高和随机误差的不同不会对体重产生任何影响，那么所有人的体重将相同。在体重不受任何变量影响的假设下，设8名女大学生的体重都是她们的平均值，即8个人的体重都为54.5kg。54.554.554.554.554.554.554.554.5体重/kg170155165175170157165165身高/cm87654321编号54.5kg在散点图中，所有的点应该落在同一条水平直线上，但是观测到的数据并非如此。这就意味着预报变量（体重）的值受解析变量（身高）或随机误差的影响。*jkhh*5943616454505748体重/kg170155165175170157165165身高/cm87654321编号例如，编号为6的女大学生的体重并没有落在水平直线上，她的体重为61kg。解析变量（身高）和随机误差共同把这名学生的体重从54.5kg“推”到了61kg，相差6.5kg，所以6.5kg是解析变量和随机误差的组合效应。编号为3的女大学生的体重并也没有落在水平直线上，她的体重为50kg。解析变量（身高）和随机误差共同把这名学生的体重从50kg“推”到了54.5kg，相差-4.5kg，这时解析变量和随机误差的组合效应为-4.5kg。用这种方法可以对所有预报变量计算组合效应。数学上，把每个效应（观测值减去总的平均值）的平方加起来，即用表示总的效应，称为总偏差平方和。在例1中，总偏差平方和为354。*jkhh*由于解析变量和随机误差的总效应（总偏差平方和）为354，而随机误差的效应为128.361，所以解析变量的效应为解析变量和随机误差的总效应（总偏差平方和）=解析变量的效应（回归平方和）+随机误差的效应（残差平方和）354-128.361=225.639这个值称为回归平方和。思考：如何刻画预报变量（体重）的变化？这个变化在多大程度上与解析变量（身高）有关？在多大程度上与随机误差有关？*jkhh*由于解析变量和随机误差的总效应（总偏差平方和）为354，而随机误差的效应为12