数学建模多元回归分析.pptxVIP

第三节多元线性回归

一.多元线性回归模型

回归参数预计

回归方程显著性检验

回归系数显著性检验

多元线性回归预测

第1页

多元线性回归模型

第2页

多元线性回归模型

（概念关键点）

一个因变量与两个及两个以上自变量之间回归

描述因变量y怎样依赖于自变量x1，x2，…，xp和误差项方程称为多元线性回归模型

包括p个自变量多元线性回归模型可表示为

b0，b1，b2，，bp是参数

是被称为误差项随机变量

y是x1,，x2，，xp线性函数加上误差项

说明了包含在y里面但不能被p个自变量线性关系所解释变异性

第3页

多元线性回归模型

（概念关键点）

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

第4页

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随机变量，即ε~N(0,σ2)，且相互独立

第5页

多元线性回归方程

（概念关键点）

描述y平均值或期望值怎样依赖于x1，x1，…，xp方程称为多元线性回归方程

多元线性回归方程形式为

E(y)=0+1x1+2x2+…+pxp

b1，b2，，bp称为偏回归系数

bi表示假定其它变量不变，当xi每变动一个单位时，y平均平均变动值

第6页

多元线性回归方方程直观解释

第7页

多元线性回归预计(经验)方程

总体回归参数是未知，利用样本数据去预计

用样本统计量代替回归方程中未知参数即得到预计回归方程

是预计值

是y预计值

第8页

参数最小二乘预计

第9页

参数最小二乘法

（关键点）

依据最小二乘法要求，可得求解各回归参数标准方程以下

第10页

回归方程显著性检验

第11页

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百分比

反应回归直线拟合程度

取值范围在[0,1]之间

R21，说明回归方程拟合越好；R20，说明回归方程拟合越差

等于多重相关系数平方，即R2=(R)2

第12页

修正多重样本决定系数

（修正多重判定系数R2）

因为增加自变量将影响到因变量中被预计回归方程所解释变异性数量，为防止高估这一影响，需要用自变量数目去修正R2值

用n表示观察值数目，p表示自变量数目，修正多元判定系数计算公式可表示为

第13页

回归方程显著性检验

（线性关系检验）

检验因变量与全部自变量和之间是否存在一个显著线性关系，也被称为总体显著性检验

检验方法是将回归离差平方和(SSR)同剩下离差平方和(SSE)加以比较，应用F检验来分析二者之间差异是否显著

假如是显著，因变量与自变量之间存在线性关系

假如不显著，因变量与自变量之间不存在线性关系

第14页

回归方程显著性检验

（步骤）

提出假设

H0：12p=0线性关系不显著

H1：1，2，，p最少有一个不等于0

2.计算检验统计量F

3.确定显著性水平和分子自由度p、分母自由度n-p-1找出临界值F

4.作出决议：若FF，拒绝H0；若FF，接收H0

第15页

回归系数显著性检验

（关键点）

假如F检验已经表明了回归模型总体上是显著，那么回归系数检验就是用来确定每一个单个自变量xi对因变量y影响是否显著

对每一个自变量都要单独进行检验

应用t检验

在多元线性回归中，回归方程显著性检验不再等价于回归系数显著性检验

第16页

回归系数显著性检验

（步骤）

提出假设

H0：bi=0(自变量xi与因变量y没有线性关系)

H1：bi0(自变量xi与因变量y有线性关系)

计算检验统计量t

确定显著性水平，并进行决议

tt，拒绝H0；tt，接收H0

第17页

一个二元线性回归例子

销售额、人口数和年人均收入数据

地域

编号

销售额

（万元）y

人口数

(万人)x1

年人均收入

(元)x2

1

2

3

4

5

6

7

8

9

10

33.3

35.5

27.6

30.4

31.9

53.1

35.6