回归分析课件.pptVIP

數學的一個重要任務是從數量方面分析、揭示、表達現實世界中普遍地存在著的變數之間的關係。一般來說，變數之間的關係可分為兩類：1.確定性的函數關係：已知一個（或幾個）變數的值，就可以精確地求出另一個變數的值。如V=4/3?R3，S=Vt2.非確定性的相關關係：幾個變數之間存在著密切的關係，但不能由一個（或幾個）變數的值精確地求出另一個變數的值。在相關關係中至少有一個變數是隨機變數。如人的血壓與年齡，環境因數與農作物的產量，樹木的直徑與高度，人均收入與商品的銷量，商品的價格與消費者的需求量。回歸分析是研究變數之間的相關關係的一種統計方法。回歸（regression）這一術語是1886年高爾頓（Galton）研究遺傳現象時引進的。本章僅簡單介紹一元線性回歸分析和多元線性回歸分析。回歸分析例1以家庭為單位，某商品年需求量與其價格之間的調查數據如下：價格x（元）1222.32.52.62.833.33.5需求量y（500g）53.532.72.42.521.51.21.21.x與y之間是相關關係，不能用解析運算式y=f(x)表示。2.作散點圖。發現這些點分佈在一條直線附近。一元線性回歸yi=β0+β1xi+?i(i=1，2，…，n)3.把y看成是由兩部分疊加而成：一是x的線性式β0+β1x；二是由隨機因素引起的誤差?。於是有y=β0+β1x+?（1）假定?i相互獨立，且?i~N(0,?2)。稱（1）式為線性回歸的數學模型。4.為估計未知參數β0、β1，將觀測值（xi，yi）代入得稱它們為正規（正則）方程。解正規方程得選取bi使殘差平方和Q最小:則即記則一、β0，β1的最小二乘估計設b0,b1分別為β0,β1的估計值，即整理得記則得到經驗回歸方程但當假定y=β0+β1x+ε不成立時，求得的經驗回歸方程是無意義的。所以，要檢驗“y與x存在線性關係”這一假設。實際上，對任何一組數據都可以用上述方法配一條直線。因此，必須判斷y與x是否真的存在線性相關關係。欲檢驗假設H0:β1=00SRSe於是總平方和剩餘平方和回歸平方和當F＞F?(1，n-2)時，拒絕H0二、回歸問題的統計檢驗即Syy=SR+Se相關係數R（樣本相關係數）t檢驗：~t(n-2)，當t＞t?(n-2)時拒絕H0查相關係數表得臨界值R?(n-2)，當|R|＞R?(n-2)時拒絕H0查F分佈表得臨界值F?(1,n-2)，當F＞F?(1,n-2)時拒絕H0三、預報和控制所謂預報問題，就是問當x=x0時y應取何值。很自然地想到用來預報y的真實值y0=β0+β1x0+ε，由於y是隨機變數，給出y0的區間估計更為合理。通常是在一定的置信度1-α下，給出y0的容許限或y0的預報區間。不難證明，當一元線性回歸的基本假定成立時，統計量其中，為σ的估計。因此，得到的置信度為1-α的預報區間為2將曲線問題線性化本節主要介紹一元線性回歸分析中將曲線問題線性化的方法，本節涉及的幾條曲線都是初等數學中的常見曲線，無複雜和困難的地方，故本節內容讓同學們自學，不再贅述。值得注意的是，模型y=?0+?1x+?2x2+?pxp是所謂的多項式回歸，令x1=x,x2=x2,xp=xp,則有y=?0+?1x+?2x2+?pxp這就是§10.3中要介紹的多元線性回歸問題。一、多元線性回歸的數學模型將n次觀測數據（xi1，x12，…，xip，yi），i=1，2，…，n代入上面的方程，可得多元線性回歸的數學模型：設因變數y與p個引數x1，…，xp之間有線性關係：假定ε1,ε2,…,εn相互獨立，且服從同一正態分佈N(0,σ2)。其中ε為隨機變數，稱為隨機誤差。3多元線性回歸二、回歸係數的最小二乘估計這裏ei是?i的估計值，仍稱為殘差或剩餘。令為yi的估計值,即類似於一元線性回歸，對βi進行最小二乘估