数学建模多元回归分析.ppt

非线性回归

（实例）用线性模型：y=?0??1x+?，有y=2.671+0.0018x用指数模型：y=??x，有y=4.05?(1.0002)x比较直线的残差平方和＝5.3371指数模型的残差平方和＝6.11。直线模型略好于指数模型第30页,共32页，星期六，2024年，5月本章小结相关系数与相关分析一元线性回归模型、回归方程与估计的回归方程多元线性回归模型、回归方程与估计的回归方程回归方程与回归系数的显著性检验非线性回归的线性化5. 用Excel进行回归分析第31页,共32页，星期六，2024年，5月结束第32页,共32页，星期六，2024年，5月129-*三峡大学理学院于林数理统计9-*三峡大学理学院于林数理统计数学建模多元回归分析多元线性回归模型第2页,共32页，星期六，2024年，5月多元线性回归模型

（概念要点）一个因变量与两个及两个以上自变量之间的回归描述因变量y如何依赖于自变量x1，x2，…，xp和误差项?的方程称为多元线性回归模型涉及p个自变量的多元线性回归模型可表示为b0，b1，b2，?，bp是参数?是被称为误差项的随机变量y是x1,，x2，?，xp的线性函数加上误差项??说明了包含在y里面但不能被p个自变量的线性关系所解释的变异性第3页,共32页，星期六，2024年，5月多元线性回归模型

（概念要点）?对于n组实际观察数据(yi;xi1,，xi2，?，xip)，(i=1,2,…,n)，多元线性回归模型可表示为y1=b0+b1x11+b2x12+?+bpx1p+e1y2=b0+b1x21+b2x22+?+bpx2p+e2yn=b0+b1xn1+b2xn2+?+bpxnp+en{……第4页,共32页，星期六，2024年，5月多元线性回归模型

（基本假定）自变量x1，x2，…，xp是确定性变量，不是随机变量随机误差项ε的期望值为0，且方差σ2都相同误差项ε是一个服从正态分布的随机变量，即ε~N(0,σ2)，且相互独立第5页,共32页，星期六，2024年，5月多元线性回归方程

（概念要点）描述y的平均值或期望值如何依赖于x1，x1，…，xp的方程称为多元线性回归方程多元线性回归方程的形式为E(y)=?0+?1x1+?2x2+…+?pxpb1，b2，?，bp称为偏回归系数bi表示假定其他变量不变，当xi每变动一个单位时，y的平均平均变动值第6页,共32页，星期六，2024年，5月多元线性回归方方程的直观解释二元线性回归模型(观察到的y)回归面?0?ix1yx2(x1,x2)}第7页,共32页，星期六，2024年，5月多元线性回归的估计(经验)方程总体回归参数是未知的，利用样本数据去估计用样本统计量代替回归方程中的未知参数即得到估计的回归方程是估计值是y的估计值第8页,共32页，星期六，2024年，5月参数的最小二乘估计第9页,共32页，星期六，2024年，5月参数的最小二乘法

（要点）根据最小二乘法的要求，可得求解各回归参数的标准方程如下使因变量的观察值与估计值之间的离差平方和达到最小来求得。即第10页,共32页，星期六，2024年，5月回归方程的显著性检验第11页,共32页，星期六，2024年，5月多重样本决定系数

（多重判定系数R2）回归平方和占总离差平方和的比例反映回归直线的拟合程度取值范围在[0,1]之间R2?1，说明回归方程拟合的越好；R2?0，说明回归方程拟合的越差等于多重相关系数的平方，即R2=(R)2第12页,共32页，星期六，2024年，5月修正的多重样本决定系数

（修正的多重判定系数R2）由于增加自变量将影响到因变量中被估计的回归方程所解释的变异性的数量，为避免高估