第四章回归分析.pptVIP

控制问题是预报问题的反问题.在此不多叙述.第30页，共76页，星期日，2025年，2月5日§2曲线回归对于线性类型的问题,可以用前面介绍的方法直接得到其经验公式,并对其线性相关性进行检验.然而,大量的实际问题并非线性类型,对于这种情况该如何处理呢?在实际问题中,根据给出的一批数据,在直角坐标系中绘出其散点图,将散点图分布的形状与已知函数的图形进行比较,确定曲线类型,再作变量替换,将曲线改为直线,然后通过求回归直线的方法来求出曲线.第31页，共76页，星期日，2025年，2月5日a0b0a0b0第32页，共76页，星期日，2025年，2月5日b1b=10b10b1b1b=1第33页，共76页，星期日，2025年，2月5日第34页，共76页，星期日，2025年，2月5日aa第35页，共76页，星期日，2025年，2月5日第36页，共76页，星期日，2025年，2月5日§3多元线性回归设随机变量Y与p个变量x1,x2,...,xp有关,它们之间满足:E(Y)=β0+β1x1+β2x2+...+βpxp进一步假设Y~N(β0+β1x1+β2x2+...+βpxp,σ2)即第37页，共76页，星期日，2025年，2月5日式中x1,x2,...,xp都是可精确测量或可控制的一般变量,Y是可观察的随机变量,β0,β1,β2,...,βp是未知参数,ε是不可观察的随机误差.假如我们要获得n组相互独立的样本:(Yi;x1i,x2i,...,xpi),i=1,2,...,n则可知有数据结构Yi=β0+β1x1i+β2x2i+...+βpxpi+εii=1,2,...,n其中εi~N(0,σ2),i=1,2,...,n且相互独立.这就是p元线性回归模型.第38页，共76页，星期日，2025年，2月5日§3.1参数估计若已给出样本观察值(yi;x1i,x2i,...,xpi),i=1,2,...,n.我们希望对参数β0,β1,β2,...,βp及σ2作出估计.第39页，共76页，星期日，2025年，2月5日第40页，共76页，星期日，2025年，2月5日由于Q是β0,β1,β2,...,βp的一个非负二次型,故其极小值必存在,根据微积分的理论知道,这只需求解下列方程组:第41页，共76页，星期日，2025年，2月5日第42页，共76页，星期日，2025年，2月5日第43页，共76页，星期日，2025年，2月5日第44页，共76页，星期日，2025年，2月5日所以正规方程用矩阵形式表示即为:第45页，共76页，星期日，2025年，2月5日第46页，共76页，星期日，2025年，2月5日为了求σ2的估计,先给出几个名词第47页，共76页，星期日，2025年，2月5日第48页，共76页，星期日，2025年，2月5日第49页，共76页，星期日，2025年，2月5日§3.2参数最小二乘估计的性质第50页，共76页，星期日，2025年，2月5日第51页，共76页，星期日，2025年，2月5日第52页，共76页，星期日，2025年，2月5日第53页，共76页，星期日，2025年，2月5日第54页，共76页，星期日，2025年，2月5日第1页，共76页，星期日，2025年，2月5日实际上,由于实验误差的影响,即使是具有确定性关系的变量之间,也常表现出某种程度的不确定性.回归分析方法是处理变量间相关关系的有力工具.它不仅为建立变量间关系的数学表达式(经验公式)提供了一般的方法,而且还能判明所建立的经验公式的有效性,从而达到利用经验公式预测、控制等目的.因此，回归分析方法的应用越来越广泛,其方法本身也在不断丰富和发展.第2页，共76页，星期日，2025年，2月5日在一元线性回归分析里,我们要考察随机变量Y与一个普通变量x之间的联系.§1.1一元线性回归模型对于有一定联系的两个变量:x与Y,通过观测或实验得到n对数据(x1,Y1),(x2,Y2),...,(xn,Yn)用什么方法可以得到这两个变量之间的经验公式呢?为此举例如下:§1一元线性回归第3页，共76页，星期日，2025年，2月5日例:维尼纶纤维的耐热水性能好坏可以用指标“缩醛化度”Y(克分子%)来衡量.这个指标越高,耐热水性能也越好.而甲醛浓度是影响缩醛化度的重要因素.在生产中常用甲醛浓度x(克/升)去控制这一指标.为此必须找出它们之间的关系,现安排了一批试验,获得如下数据:若重复这些试验,在同一甲醛浓度x下,所获得的缩醛化度Y不完全一致.这表明x与Y之