多元线性回归和非线性回归.pptVIP

结果发现：并不是所有的自变量单独对因变量都有显著性影响，最大的P值为0.926＞0.05，在取显著性水平a＝0.05时通不过显著性检验。这个例子说明：尽管回归方程通过了显著性检验，但也会出现某些单个自变量（甚至每一个）对因变量并不显著的情况。由于某些自变量不显著，因而在多元回归中并不是包含在回归方程中的自变量越多越好。在此介绍一种剔除多余自变量的方法：逐步回归法剔除x3科技三项费后：剔除x6工交部门事业费后：依次剔除，最终只保留x1,x2,x4,x8,x10,x11,x12,x13,其回归系数见下表：多元线性回归分析操作(一)基本操作步骤(1)菜单选项:analyze-regression-linear…(2)选择一个变量为因变量进入dependent框(3)选择一个或多个变量为自变量进入independent框(4)选择多元回归分析的自变量筛选方法:enter:所选变量全部进入回归方程(默认方法)remove:从回归方程中剔除变量stepwise:逐步筛选；backward:向后筛选；forward:向前筛选(5)对样本进行筛选(selectionvariable)利用满足一定条件的样本数据进行回归分析(6)指定作图时各数据点的标志变量(caselabels)多元线性回归分析操作statistics选项基本统计量输出Partandpartialcorrelation:与Y的简单相关、偏相关和部分相关Rsquarechange:每个自变量进入方程后R2及F值的变化量Collinearitydignostics:共线性诊断.非线性回归本部分仅就一元非线性回归问题，讨论其参数估计。水文研究中X和Y的数量关系常常不是线性的，如洪峰流量与流域面积之间。如果用线性描述将丢失大量信息，甚至得出错误结论。这时可以用曲线估计（Curveestimation）或非线性回归(Nonlinearregression)方法分析。添加标题1，线性化方法

2，直接最小二乘法

3，二步法添加标题一元非线性回归方程参数估计的常用方法：多元线性回归PART1多元线性回归模型

(multiplelinearregressionmodel)一个因变量与两个及两个以上自变量的回归描述因变量y如何依赖于自变量x1，x2，…，xp和误差项?的方程，称为多元回归模型涉及p个自变量的多元回归模型可表示为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??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多元线性回归模型

(基本假定)添加标题01单击此处添加小标题02单击此处添加小标题03单击此处添加小标题04解释变量x1，x2，…，xp是确定性变量．不是随机变量，且要求样本容量的个数应大于解释变量的个数。误差项ε是一个期望值为0的随机变量，即E(?)=0对于自变量x1，x2，…，xp的所有值，?的方差?2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,?2)，且相互独立多元线性回归方程

(multiplelinearregressionequation)多元线性回归方程的形式为描述因变量y的平均值或期望值如何依赖于自变量x1，x2，…，xp的方程01b1，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的平均变动值E(y)=?0+?1x1+?2x2+…+?kxp02二元线性回归方程1.表示保持不变时，每变动一个单位时的相应变化量.2.表示保持不变时，每变动一个单位时的相应变化量.考虑二元线性回归模型二元线性回归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)}回归参数的估计估计的多元线性回归的方程

(estimatedmultiplelinearregressionequation)是估计值是y的估计值用样本统计量估计回归方程中的参数时得到的方程由最小二乘法求得一般形式为参数的最小二乘法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