5-土木工程科学数据分析方法课件 第四章 线性回归分析.pptxVIP

回归分析(regressionanalysis)是确定两种或两种以上变量间相

互依赖的定量关系的一种统计分析方法。同时，回归分析法可建立一个相关性较好的回归方程(函数表达式),以用于预测因变量今后的变化规律。在各种回归分析方法中，线性回归通常是学习预测模型时首选的技术之一。本章介绍一元及多元线性回归方法的相关知识。;

4.1一元线性回归模型

一元线性回归是描述两个变量之间相关关系的最简单回归模型，通过一元线性

回归模型的建立过程，可以了解回归分析方法的基本思想以及它在实际问题研究中

的应用原理。

1、回归模型的数学形式

在对所研究的问题首先要收集与它有关的n组样本数据(x;,y;),其中i=1,2,...

,n。若只考虑两个变量间的关系，描述上述x与y间线性关系的数学结构通常用式(4.1-1)的形式。

y=βo+β?x+8(4.1-1)

Page:22026/1/7;

4.1一元线性回归模型

y=βo+β?x+E(4.1-1)

式(4.1-1)将实际问题中变量y与x之间的关系用两个部分描述。一部分是由于x的

变化引起y线性变化的部分，即βo+β?x,另一部分是由其他一切随机因素引起的，记为

ε。式(4.1-1)确切地表达了变量x与y之间的密切相关关系，但密切的程度又没有到由

x唯一确定y的这种特殊关系。;

4.1一元线性回归模型

y=βo+β?x+E(4.1-1)

式(4.1-1)称为变量y对x的一元线性回归理论模型。一般称y为被解释变量(因变

量),x为解释变量(自变量)。式中βo和β?是未知参数，称β?为回归常数，β?为回归系数。ε表示其他随机因素的影响。在式(4.1-1)中一般假定ε是不可观测的随机误差，;

式中，E(ε)表示ε的数学期望，Var(ε)表示ε的方差。对式(4.1-1)两端求期望得如

下回归方程

E(y)=βo+β?x(4.1-3);),…,(xn,yn),如果他们符合模型(4.1-1),则

y;=βo+βx+8i,;

4.1一元线性回归模型

y;=βo+βx+8i,

E(ε;)=0

Var(ε;)=σ2

通常还假定n组数据是独立观测的，因而y1,y?,…,2,…,;

4.1一元线性回归模型

E(ε;)=0(4.1-5)

Var(ε;)=σ2

E(y)=βo+Bx

(4.1-6)

Var(y,)=σ2

式(4.1-6)表阴随机变量y?,y?,,…,y。的期望不等，方差相等，因而y?,Y?,

,y,是独立的随机变量，但并不同分布。而e?,ε?,…,c,是独立同分布的随机变量。

E(y;)=βo+β?x;,从平均意义上表达了变量y与x的统计规律性，正确理解回

归方程的这个特点对实际应用有重要的指导意义。;

1授课内容第四章：线性回归分析

4.1一元线性回归模型(实际问题)

回归分析的主要任务就是通过n组样本观测值(x?,y?)(i=1,2,.…,n)对β?和

β?进行估计。一般用β,β分别表示βo,β?的估计值，则称式

y=β?+βx(4.1-7)

为y关于x的一元线性经验回归方程。

???β?,β

y=β+β???y=βo+β?x;

中误差项ε遵从正态分布，即ε~N(0,σ2)。

由于ε?,E?,…,εn是ε的独立且同分布的样本，因而有

ε;～N(0,σ2)

在遵从正态分布的假定下，随机变量y;也遵从正态分布，即

y;~N(βo+βx;,σ2);;

4.1一元线性回归模型

2、回归参数的估计

为了由样本数据得到回归参数βo和β?的理想估计值，一般使用最小二乘法估计(

ordinaryleastsquaresestimate,OLSE)。

所