当前位置：文档之家› 案例库项目八假设检验回归分析与方差分析

案例库项目八假设检验回归分析与方差分析

项目八假设检验、回归分析与方差分析

实验3 方差分析

实验目的学习利用Mathematica求单因素方差分析的方法.

基本命令

1.调用线性回归软件包的命令<

作方差分析时, 必须调用线性回归软件包的命令

或输入调用整个统计软件包命令

2.线性设计回归的命令DesignedRegress

在线性回归模型

Y ??X????

中,向量Y是因变量,也称作响应变量.矩阵X称作设计矩阵, ?是参数向量??是误差向量?

????????DesignedRegress也是作一元和多元线性回归的命令, 它的应用范围更广些. 其格式与命令Regress的格式略有不同:

DesignedRegress[设计矩阵X,因变量Y的值集合,

RegressionReport ->{选项1, 选项2, 选项3,…}]

RegressionReport(回归报告)可以包含:ParameterCITable(参数?的置信区间表????

?PredictedResponse (因变量的预测值), MeanPredictionCITable(均值的预测区间),

FitResiduals(拟合的残差), SummaryReport(总结性报告)等, 但不含BestFit.

实验准备—将方差分析问题纳入线性回归问题

在线性回归中, 把总的平方和分解为回归平方和与误差平方和之和, 并在输出中给出了方差分析表. 而在方差分析问题

中, 也把总的平方和分解为模型平方和与误差平方和之和, 其方法与线性回归中的方法相同. 因此只要把方差分析问题转化为线性模型的问题, 就可以利用线性回归中的设计回归命令DesignedRegress 做方差分析.

单因素试验方差分析的模型是

??==+=.

,,2,1;,,2,1,),,0(~,2s j n i N Y j ij ij ij j ij ΛΛ独立各εσεεμ

(3.1)

上式也可改写成

??===+-+==+=.,,2,1;,,2,1,),,0(~;

,,3,2,)(,

,,2,1,2111111s j n i N s j Y n i Y j ij ij ij j ij i i ΛΛΛΛ独立各εσεεμμμεμ (3.2)

给定具体数据后, 还可(2.2)式写成线性模型的形式:

Y ??X???????????????????????????????????????????????????????????????????????????

其中X 称为设计矩阵, 它的元素是0或1. 由于(3.2)的每一个等式的右边都有,1μ因此X 的第一列都是1, 线性模型中就有了

必须要有的常数这一列.????

? ??=-110s ββββM 是线性模型中的参数.1μ相当于

线性模型中常数项.

0β,12μμ-Λ

,13μμ-相当于线性模型中的参数.,,21Λββ当然也可以用2μ或3μ代替1μ.Y

是因变量(向量),??是误

差向量.可以通过下面的例子来了解和熟悉此方法.

实验举例

例3.1 (教材例3.1) 今有某种型号的电池三批, 它们分别是A ,B ,C 三个工厂所生产的. 为评比起质量, 各随机抽取5只电池为样品, 经试验得其寿命(单位:h)如下表:

试在显着性水平0.05下检验电池的平均寿命有无显着的差异. 若差异是显着的, 试求均值差,B A μμ-C A μμ-及C B μμ-的置信水平

为95%的置信区间.

这是方差分析问题, 先把它转化为线性模型:

Y ??X?????

令 ,101101011011001001,515151??

???

??????? ??=??????????????? ??=M M M M M M M M M M M M X Y Y Y Y Y Y Y C C B B A A ,?????

??--=A C A B A μμμμμβ??????????????

? ??=531352125111εεεεεεεM M M

则线性模型(3.3)与方差分析模型(3.1)完全等价. 模型(3.3)完全可以用DesignedRegress 命令作设计回归, 得到所要的方差分析表.

我们面临的任务是:

(1) 检验3个总体的均值是否相等,即作假设检验 (2) 求均值差,B A μμ-C A μμ-及C B μμ-的置信水平为

95%的置

信区间.

任务(1)等价于对模型(3.3)作检验: 而任务(2)等价于求

C A C A B μμμμμμ---及,的置信区间. 在

DesignedRegress命令中加入选项

RegressionReport->{ParameterCITable,MeanPredic tionCITable,SummaryReport}

后便能完成上述任务.

用回归分析作单因素方差分析

完成对模型的假设检验和对模型参数的区间估计任务.输入设计矩阵和数据

X1={{1.0,0,0},{1,0,0},{1,0,0},{1,0,0},{1,0,0}, {1,1,0},{1,1,0},{1,1,0},

{1,1,0},{1,1,0},{1,0,1},{1,0,1},{1 ,0,1},{1,0,1},{1,0,1}};

Y1={40,42,48,45,38,26,28,34,32,30,39,50,40,50,43};

再输入设计回归命令

DesignedRegress[X1,Y1,RegressionReport->

{ParameterCITable,MeanPredictionCITable,Summ

aryReport}]

(*回归报告输出参数的置信区间,均值的置信区间和总结报告*)

执行后得到输出

Estimate SE CI

1 42.6 1.89912

{38.4622,46.7378}

{ParameterCITable->2 -12.6 2.68576 {-18.4518,-6.74822}

3 1.8 2.68576

{-4.05178,7.65178}

MeanPredictionCITable->

Observed Predicted SE CI

40. 42.6 1.89912 {38.4622,46.7378}

42. 42.6 1.89912 {38.4622,46.7378}

48. 42.6 1.89912 {38.4622,46.7378}

45. 42.6 1.89912 {38.4622,46.7378}

38. 42.6 1.89912 {38.4622,46.7378}

26. 30. 1.89912 {25.8622,34.1378}

28. 30. 1.89912 {25.8622,34.1378}

34. 30. 1.89912 {25.8622,34.1378}

32. 30. 1.89912 {25.8622,34.1378}

30. 30. 1.89912 {25.8622,34.1378}

39. 44.4 1.89912 {40.2622,48.5378}

50. 44.4 1.89912

{40.2622,48.5378}

40. 44.4 1.89912

{40.2622,48.5378}

50. 44.4 1.89912

{40.2622,48.5378}

43. 44.4 1.89912

{40.2622,48.5378}

Estimate SE TStat PValue

1 42.6 1.8991

2 22.4314

3.63987×10-11

{ParameterCITable->2 -12.6 2.68576

-4.6914 0.00052196

3 1.8 2.68576 0.6702

0.515421

Rsquared->0.739904,AdjustedRSquared->0.696554, EstimatedVariance->18.0333,ANOVATable->

DF SumOfsq MeanSq Fratio Pvalue Model

2 615.6

307.8

17.0684

0.000309602

Error 12 216.4 18.0333

Total

14 832.

从参数置信区间表(ParameterCITable)可知: A μ的点估计是42.6, 估计量的标准差为1.89912, A μ的置信水平为0.95的置信区间是(38.4622,46.7378). A B μμ-的点估计是?12.6,标准差为 2.68576,

B μμ-的置信水平为0.95的置信区间是

).74822.6,4518.18(--

A C μμ-的点估计是1.8, 标准差为2.68576, A C μμ-的置信水平

为0.95的置信区间是

从均值置信区间表(MeanPredictionCITable)知: A μ的点估计, A μ的置信区间同参数置信区间表, B μ的点估计为30.0, 置信度为0.95的置信区间是),1378.34,8622.25(C μ的点估计为44.4, 置信度为0.95的置信区间是).5378.48,2622.40(

从参数表(ParameterTable)知: 关于A B μμ-是否等于零的假设检验结果是否定的, 即A B μμ-不等于零. 关于A C μμ-是否等于零的假设检验结果是不否定原假设, 即不否定A C μμ-等于零的假设.

从Rsquared->0.739904知Y 的变化中的74%是由模型引起的,26%是由误差引起的.

从EstimatedVariance->18.0333知模型中的误差项?的方差的估计是????????

最后从方差分析表知平方和的分解结果是:总的平方和?832.0,模型引起的平方和(效应平方和)???????误差平方和????????作假设检验?

时??统计量F 的观察值为17.0684, F 的P 值为0.000309602, 检验结果显然否定原假设,即三个工厂生产的电池的平均寿命有显着差异.

总结起来: 三个工厂生产的电池的平均寿命有显着差异.

B A μμ-的置信水平为0.95的置信区间是(6.74822,18.4518).

C A μμ-的置信水平为

0.95的置信区间是

???????看来只有C B μμ-的置信区间未能求得.只要改变设计矩阵X , 再作一次设计回归.

输入

X2={{1.0,0,1},{1,0,1},{1,0,1},{1,0,1},{1,0,1},{0,1,1},{0,1,1},{0,1,1},

{0,1,1},{0,1,1},{0,0,1},{0,0,1},{0,0

,1},{0,0,1},{0,0,1}};

?? DesignedRegress[X2,Y1,RegressionReport->

{ParameterCITable,MeanPredictionCITabl

e,SummaryReport}]

就能得到类似于对11,y x 的设计回归结果(输出结果省略了),从参数置信区间表可以得到C B μμ-的置信水平为0.95的置信区间是

).54822.8,2518.20(--

例3.2 (教材例3.2) 将抗生素注入人体会产生抗生素与血浆蛋白质结合的现象,以致减少了药效. 下表中列出了5种常用的抗生素注入到牛的体内时, 抗生素与血浆蛋白质结合的百分比. 试在水平05.0=α下检验这些百分比的均值有无显着的差异.

青霉素四环素链霉素红霉素

氯霉素

29.6 27.3 5.8 21.6 29.2

24.3 32.6 6.2 17.4 32.8

28.5 30.8 11.0 18.3 25.0

32.0 34.8 8.3 19.0 24.2

本例也是单因素方差分析问题. 输入

X3={{1.0,0,0,0,0},{1,0,0,0,0},{1,0,0,0,0},{1,0,0

,0,0},{1,1,0,0,0},{1,1,0,0,0},

{1,1,0,0,0},{1,1,0,0,0},{1,0,1,0,0},{1,0,1 ,0,0},{1,0,1,0,0},{1,0,1,0,0},

{1,0,0,1,0},{1,0,0,1,0},{1,0,0,1,0},{1,0,0 ,1,0},{1,0,0,0,1},{1,0,0,0,1},

{1,0,0,0,1},{1,0,0,0,1}};

Y3={29.6,24.3,28.5,32.0,27.3,32.6,30.8,34.8,5.8, 6.2,11.0,8.3,21.6,17.4,

18.3,19.0,29.2,32.8,25.0,24.2};

DesignedRegress[X3,Y3,RegressionReport->

{ParameterCITable,MeanPredictionCITable,SummaryRepor

t}]

执行以后得到输出

{ParameterCITable->

Estimate SE CI

1 28.6 1.50456

{25.3931,31.8069}

2 2.775 2.12777 {?1.76024,731024}

3 ?20.775 2.12777

{?25.3102,?16.2398}

4 ?9.52

5 2.12777

{?14.0602,?4.98976}

5 ?0.8 2.12777

{?5.33524,3.73524}

{ParameterTable->

Estimate SE TStat PValue

1 28.6 1.50456 19.0088

6.58118×10?12

2 2.775 2.12777 1.30418

0.21183

3 ?20.775 2.12777 ?9.76373 6.83788×10?8

4 ?9.52

5 2.12777 ?4.47651

0.000443597

5 ?0.8 2.12777 ?0.37598 0.712196

Rsquared->0.915985,AdjustedRSquared->0.893581,

EstimatedVariance->9.05483,ANOVATable->

DF Sumofsq MeanSq Fratio Pvalue Model 4 1480.82 370.206 40.8849

6.73978×10?8

Error 15 135.822 9.05483

Total 19 1616.65

因为F检验的P值非常小,所以即使在检验的水平01.0=

α时,这些百分比的均值有显着差异.

注: 利用Mathematica语句, 我们也可以直接编程计算方差分析表. 有兴趣的读者可参考更高一级的实验教材(如[10],[11]等).

第9章方差分析与回归分析习题答案

第九章方差分析与回归分析习题参考答案 1. 为研究不同品种对某种果树产量的影响，进行试验，得试验结果（产量）如下表，试分析果树品种对产量是否有显着影响. （0.05(2,9) 4.26F =，0.01(2,9) 8.02F =） 34 2 11 1310ij i j x ===∑∑ 解：r=3, 12444n n 321=++=++=n n , T=120 ,120012 1202 2===n T C 3 4 2 211 131********(1)1110110T ij T i j SS x C S n s ===-=-==-=?=∑∑或S 322.1112721200724(31)429724A i A A i SS T C S s ==-=-==-=??=∑或S 3872110=-=-=A T e SS SS SS 计算统计值722 8.53, 389 A A A e e SS f F SS f = =≈…… 方差分析表结论:由于0.018.53(2,9)8.02, A F F ≈>=故果树品种对产量有特别显着影响. 2. ..180x = 43 2 11 2804ij i j x ===∑∑ 解：22..4,3,12,180122700l m n lm C x n =======

43 2211 28042700104(1)119.45 104T ij T i j S x C S n s ===-=-==-=?≈∑∑&&或 422 .1 12790270090(1)331090 3A i A A i S x C S m l s ==-=-==-≈??=∑或322 .1 12710.5270010.5(1)8 1.312510.5 4B j B B j S x C S l m s ==-=-==-≈?=∑或1049010.5 3.5e T A B S S S S =--=--= 计算统计值90310.52 51.43,93.56 3.56 A A B B A B e e e e S f S f F F S f S f = =≈==≈ 结论: 由以上方差分析知，进器对火箭的射程有特别显着影响；燃料对火箭的射程有显着影响. 31,58,147,112,410.5,i i i i i i x y x y x y =====（1）求需求量Y 与价格x 之间的线性回归方程；（2）计算样本相关系数；（3）用F 检验法作线性回归关系显着性检验. ??? ? ??====56.10)9,1(,26.11)8,1(12.5)9,1(,32.5)8,1(01.001.005.005.0F F F F 解：引入记号 10, 3.1, 5.8n x y === ()()14710 3.1 5.832.8xy i i i i l x x y y x y nx y =--=-=-??=-∑∑ 2 222()11210 3.115.9xx i i l x x x nx =-=-=-?=∑∑ 22 ()(1)9 1.766715.9xx i x l x x n s =-=-≈?≈∑或 2 222()410.510 5.874.1yy i i l y y y ny =-=-=-?=∑∑ 22()(1)98.233374.1yy i y l y y n s =-=-≈?≈∑或 ?(1) b Q 32.8??2.06, 5.8 2.06 3.112.1915.9xy xx l a y bx l -==≈-=-≈+?≈ ∴需求量Y 与价格x 之间的线性回归方程为 ?y ??12.19 2.06a bx x =+≈-

第章方差分析与回归分析习题答案定稿版

第章方差分析与回归分析习题答案精编 W O R D版 IBM system office room 【A0816H-A0912AAAHH-GX8Q8-GNTHHJ8】

10.52 ≈ 9 3.56 结论: 由以上方差分析知，进器对火箭的射程有特别显着影响；燃料对火箭的射程有显着影响. 3．为了研究某商品的需求量Y与价格x之间的关系，收集到下列10对数据：

22 31,58,147,112,410.5,i i i i i i x y x y x y =====∑∑∑∑∑（1）求需求量Y 与价格x 之间的线性回归方程；（2）计算样本相关系数；（3）用F 检验法作线性回归关系显着性检验. 解：引入记号 10, 3.1, 5.8n x y === ∴需求量Y 与价格x 之间的线性回归方程为（2）样本相关系数 32.8 0.955634.3248l r -= = ≈≈- 在0H 成立的条件下，取统计量(2)~(1,2)R e n S F F n S -= - 计算统计值 2 2(32.8)15.967.66, 74.167.66 6.44 R xy xx e yy R S l l S l S ==-≈=-≈-= 故需求量Y 与价格x 之间的线性回归关系特别显着. 4. 随机调查10个城市居民的家庭平均收入(x)与电器用电支出(y)情况得数据（单位：千元）如下: (1) 求电器用电支出y 与家庭平均收入x 之间的线性回归方程； (2) 计算样本相关系数；

(整理)sas第九章 t检验和方差分析.

第九章 t 检验和方差分析在科研中，我们往往是根据样本之间的差异，去推断其总体之间是否有差异。样本差异可能是由抽样误差所致，也可能是由本质的不同所致。应用统计学方法来处理这类问题，称为“差异的显著性检验”。若已知总体为正态分布，进行差异的显著性检验，称为“参数性检验”，SAS 中MEANS 、TTEST 、ANOVA 、GLM 等均属此类检验；若未知总体分布，进行差异的显著性检验，称为“非参数性检验”，SAS 中采用NPAR1WAY 过程。第一节 t 检验 9.1.1 简介 t 检验是用于两组数据均值间差异的显著性检验。它常用于以下场合： 1．样本均值与总体(理论)均值差别的显著性检验检验所测得的一组连续资料是否抽样于均值已知的总体根据大量调查的结果或以往的经验，可得到某事物的平均数(例如生理生化的正常值)，以此作总体均值看待。 SAS 中采用MEANS 过程，计算出观察与总体均值的差值，再对该差值的均值进行t 检验。 2.同一批对象实验前后差异的显著性检验(自身对照比较)或配对资料差异的显著性检验(配对比较检验) 比如，在医学研究中，我们常常对同一批病人治疗前后的某些生理生化指标(如血压、体温等)进行测量，以观察疗效；或对同一批人群进行预防接种，以观察预防效果；或把实验对象配成对进行测定，比较其实验结果。 SAS 中采用MEANS 过程，计算出两样本观察的差值(如治疗前、后实验数据的差值)，再对该差值的均值进行t 检验。 3．两样本均值差异的显著性检验作两样本均值差异比较的两组原始资料各自独立，没有成对关系。两组样本所包含的个数可以相等，也可以不相等。每组观测值都是来自正态总体的样本。设1X 与2X 为两样本的均值，1n 与2n 为两样本数，21s ，22s 为两样本方差，分两种情形，其数学模型为： (1)方差齐(相等)时： ) /1/1(212 21n n s x x t +-= )2/(])1()1[(212 222112-+-+-=n n s n s n s

3[1]3总体方差的假设检验

§3 检验母体方差 3.1 检验正态母体的方差 ——2 χ检验母体),(~2σμN X ，2 ,σμ均未知，试对 2 σ与2 0σ有无显著差异作假设检验. ①在母体上作假设 ?=2 020:σσH 2021:σσ≠H ②检验统计量 )1( ~ )1(22 02 2 --=*n S n H χσχ ③给定显著水平α，如图存在 )1(22 1-- n α χ 和)1(2 2 -n αχ，使 2 )}1({)}1({2 2 222 12α χχχ χαα = ->=-<- n P n P 故取拒绝域 } )1()1(),,,{(2 2 222 12 21->-<=- n n x x x W n αα χχχ χ或

④决策：当抽样结果是 W x x x n ∈),,,(21 时，拒绝0 H ，认为2 σ与2 0σ有显著差异；否则接受0 H ，认为2 σ与20 σ无显著差异. 例3.3.1 某细纱车间纺出的一种细纱支数的标准差2.10=σ，现从某日纺出的一批细纱中随机抽出16缕进行支数测量，算得子样标准差1.2* =s ，问：纱的均匀度有无显著变化（取05.0=α）？假定母体分布是正态的。解: 设该日纺出的纱的支数 ),(~2 σμN X ，2 ,σμ均未知，作假设?=2.1:20σH 2.1:21 ≠σH 检验统计量)1(~ )1(22 22 --= *n S n H χσ χ 给定显著水平α，拒绝域为 } )1()1(),,,{(2 2 222 1221->-<=-n n x x x W n ααχχχχ或

这时16=n ，2.10=σ，1.2* =s ，从而94.452 =χ，又05.0=α，查表得 262.6)15()1(975.02 1==-- χχ α n ， 488.27)15()1(025.02 ==-χχαn ，可见)1(2 2 ->n αχχ，故应拒绝0H ，认为这天细纱的均匀度有显著变化。例3.3.2 ),(~2 σμN X ， 2 ,σμ均未知，当45>n ，作如下假设检验 ?=2 2 0:σσH 2021:σσ≠H 检验统计量取为2 02 2 )1(σχ *-= S n ，证明：给定显著水平α，则拒绝域为 } )1(2)1({})1(2)1({2 22 2ααχχu n n u n n W ---≤-+-≥= . 证明：作假设?=2020:σσH 2 021:σσ≠H ， 0H 成立时检验统计量

应用回归分析,第4章课后习题参考答案

第4章违背基本假设的情况思考与练习参考答案 4.1 试举例说明产生异方差的原因。答：例4.1：截面资料下研究居民家庭的储蓄行为 Y i=β0+β1X i+εi 其中：Y i表示第i个家庭的储蓄额，X i表示第i个家庭的可支配收入。由于高收入家庭储蓄额的差异较大，低收入家庭的储蓄额则更有规律性，差异较小，所以εi的方差呈现单调递增型变化。例4.2：以某一行业的企业为样本建立企业生产函数模型 Y i=A iβ1K iβ2L iβ3eεi 被解释变量：产出量Y，解释变量：资本K、劳动L、技术A，那么每个企业所处的外部环境对产出量的影响被包含在随机误差项中。由于每个企业所处的外部环境对产出量的影响程度不同，造成了随机误差项的异方差性。这时，随机误差项ε的方差并不随某一个解释变量观测值的变化而呈规律性变化，呈现复杂型。 4.2 异方差带来的后果有哪些？答：回归模型一旦出现异方差性，如果仍采用OLS估计模型参数，会产生下列不良后果： 1、参数估计量非有效 2、变量的显著性检验失去意义 3、回归方程的应用效果极不理想总的来说，当模型出现异方差性时，参数OLS估计值的变异程度增大，从而造成对Y的预测误差变大，降低预测精度，预测功能失效。 4.3 简述用加权最小二乘法消除一元线性回归中异方差性的思想与方法。答：普通最小二乘估计就是寻找参数的估计值使离差平方和达极小。其中每个平方项的权数相同，是普通最小二乘回归参数估计方法。在误差项等方差不相关的条件下，普通最小二乘估计是回归参数的最小方差线性无偏估计。然而在异方差

的条件下，平方和中的每一项的地位是不相同的，误差项的方差大的项，在残差平方和中的取值就偏大，作用就大，因而普通最小二乘估计的回归线就被拉向方差大的项，方差大的项的拟合程度就好，而方差小的项的拟合程度就差。由OLS 求出的仍然是的无偏估计，但不再是最小方差线性无偏估计。所以就是：对较大的残差平方赋予较小的权数，对较小的残差平方赋予较大的权数。这样对残差所提供信息的重要程度作一番校正，以提高参数估计的精度。加权最小二乘法的方法： 4.4简述用加权最小二乘法消除多元线性回归中异方差性的思想与方法。答：运用加权最小二乘法消除多元线性回归中异方差性的思想与一元线性回归的类似。多元线性回归加权最小二乘法是在平方和中加入一个适当的权数i w ，以调整各项在平方和中的作用，加权最小二乘的离差平方和为： ∑=----=n i ip p i i i p w x x y w Q 1211010)( ),,,(ββββββ （2）加权最小二乘估计就是寻找参数p βββ,,,10 的估计值pw w w βββ?,,?,?10 使式（2）的离差平方和w Q 达极小。所得加权最小二乘经验回归方程记做 22011 1 ???()()N N w i i i i i i i i Q w y y w y x ββ===-=--∑∑22 __ 1 _ 2 _ _ 02 222 ()() ?()?1 11 1 ,i i N w i i i w i w i w w w w w kx i i i i m i i i m i w x x y y x x y x w kx x kx w x σβββσσ==---=-= = ===∑∑1N i =1 1表示=或

案例库项目八假设检验回归分析与方差分析

项目八假设检验、回归分析与方差分析实验3 方差分析实验目的学习利用Mathematica求单因素方差分析的方法. 基本命令 1.调用线性回归软件包的命令<

中,向量Y是因变量,也称作响应变量.矩阵X称作设计矩阵, ?是参数向量??是误差向量? ????????DesignedRegress也是作一元和多元线性回归的命令, 它的应用范围更广些. 其格式与命令Regress的格式略有不同: DesignedRegress[设计矩阵X,因变量Y的值集合, RegressionReport ->{选项1, 选项2, 选项3,…}] RegressionReport(回归报告)可以包含:ParameterCITable(参数?的置信区间表???? ?PredictedResponse (因变量的预测值), MeanPredictionCITable(均值的预测区间), FitResiduals(拟合的残差), SummaryReport(总结性报告)等, 但不含BestFit. 实验准备—将方差分析问题纳入线性回归问题在线性回归中, 把总的平方和分解为回归平方和与误差平方和之和, 并在输出中给出了方差分析表. 而在方差分析问题

中, 也把总的平方和分解为模型平方和与误差平方和之和, 其方法与线性回归中的方法相同. 因此只要把方差分析问题转化为线性模型的问题, 就可以利用线性回归中的设计回归命令DesignedRegress 做方差分析. 单因素试验方差分析的模型是 ?? ? ??==+=. ,,2,1;,,2,1,),,0(~,2s j n i N Y j ij ij ij j ij ΛΛ独立各εσεεμ (3.1) 上式也可改写成 ?? ? ??===+-+==+=.,,2,1;,,2,1,),,0(~; ,,3,2,)(, ,,2,1,2111111s j n i N s j Y n i Y j ij ij ij j ij i i ΛΛΛΛ独立各εσεεμμμεμ (3.2) 给定具体数据后, 还可(2.2)式写成线性模型的形式:

t检验与方差分析

第六章数值变量资料的统计分析数值变量资料又称计量资料，通常是指每个观察单位某项指标量的大小，一般具有计量单位。这类资料按分析的内容一般可分为两种：一种是比较几种处理之间的效应，简单地讲就是比较各处理组观察值均数、方差的大小；另一种是寻找指标间的关系，即某个（或某些）指标的取值是否受其它指标的影响。本章主要介绍不同设计类型的数值变量资料的比较。 §6.1 样本均数与总体均数比较的 t 检验 t检验亦称 student's t 检验，主要用于下列三种情况：(1)样本均数与总体均数比较；(2)配对数值变量资料的比较；(3)两样本均数的比较。 Stata用于样本均数与总体均数比较的 t 检验的命令是： ttest 变量名= #val 这里，＃val 表示总体均数。命令中可以选用 if 语句和 in 语句对要分析的内容加一些条件限制。对已知样本含量、均数和标准差的资料，欲将其与某总体均数进行比较，Stata 还提供了更为简洁的命令是： ttesti #obs #mean #sd #val 这里，#obs 表示样本含量，#mean 表示样本均数，#sd 表示样本标准差， #val 表示总体均数。 §6.2 两样本均数比较的t检验一、配对设计ｔ检验医学研究中常将受试对象配成对子，对每对中的两个受试对象分别给予两种不同的处理，观察两种处理的结果是否一致，称为配对(设计)研究。有时以同一个受试对象先后给予两种不同的处理，观察两种处理的结果是否相同，这种配对称为自身配对。配对设计的优点是能消除或部分消除个体间的差异，使比较的结果更能真实地反映处理的效应。配对t检验首先计算每对结果之差值，再将差值均数与0作比较。如两种处理的效应相同，则差值与0没有显著性差异。检验假设 H0为：两种处理的效应是相同，或总体差值均数为 0。 stata用于配对样本t检验的命令是： Ttest变量1=变量2 这里，这里“变量 1”和“变量 2”是成对输入的配对样本。 ttest 命令容许使用[if 表达式]和[in范围]条件限制。或者： gen d=0 ttest d=0 二、成组设计ｔ检验

正态总体均值及方差的假设检验表

正态总体均值及方差的假设检验表：单正态总体均值及方差的假设检验表(显著性水平α) 1 a n ～N (0,1)2 01 a S n ～t 2 2 02 1 0n i n i a ～ 2或 2 21 2 n 2 2n 2 21 n 20 ～ 22 21 1 2 n 2 21n 21 1 n

2 212 12 n n ～N (0,1) 2 1 2 11W S n n ～ 2 , 22 1122 122 n S n S n n 22 22 21112 2 1 2 1i i n i i a a n ～12,F n n 2 或 2 2 221 n S n ～21,1n 1 2或 2

Z =ξ-η～N (a 1-a 2，21σ+2 2σ)，Z i =ξi -ηi . 2 21 2 Z n ) 2 1 S n ～ 2

单正态总体均值及方差的区间估计(置信度1-α) 已知 1 a n ～N (0,1)0 1 1 , n n u u n n 1 a S n ～t , 1 1 t t n n 2 02 1 n i n i a ～ 001 122, 12 2 i i i i n n a a 20 ～ 21 ,12 2 n

2个正态总体均值差及方差比的区间估计(置信度1-α) 12 212 12 a n n ～N (0,1) 2212 12 u n n 112 11W a S n n 22 n t 1 22 12 11W n n t S n n )2 a ξ-12 ,1 ,2 2 n n A F A 2 112 222 2 11n S n S ～ 2 2 21112W n S n S n n 212 1212 2 2 1 n i i n i i n a A n a ，2 122 2 21111n n S B n n S ．（注：专业文档是经验性极强的领域，无法思考和涵盖全面，素材和资料部分来自网络，供参考。可复制、编制，期待你的好评与关注）

高中数学：第八章方差分析与回归分析

高中数学：第八章方差分析与回归分析 §1 单因素试验的方差分析试验指标：研究对象的某种特征。例各人的收入。因素：与试验指标相关的条件。例各人的学历，专业，工作经历等与工资有关的特征。因素水平：因素所在的状态例学历是因素，而高中，大学，研究生等，就是学历因素水平；数学，物理等就是专业的水平。问题：各因素水平对试验指标有无显著的差异？单因素试验方差分析模型假设 1）影响试验指标的因素只有一个，为A ，其水平有r 个：1,,r A A L ； 2）每个水平i A 下，试验指标是一个总体i X 。各个总体的抽样过程是独立的。 3）2~(,)i i i X N μσ，且22i j σσ=。问题：分析水平对指标的影响是否相同 1）对每个总体抽样得到样本{,1}ij i X j n ≤≤，由其检验假设：原假设0:i j H μμ=，,i j ?；备选假设：1:i j H μμ≠，,i j ?； 2）如果拒绝原假设，则对未知参数21,,,r μμσL 进行参数估计。注 1）接受假设即认为：各个水平之间没有显著差异，反之则有显著差异。

2）在水平只有两个时，问题就是双正态总体的均值假设检验问题和参数估计问题。检验方法数据结构式：ij i ij i ij X μεμδε=+=++，偏差2~(0,)ij N εσ是相互独立的， 11r i i i n n μμ==∑。不难验证，1 0r i k δ==∑。各类样本均值水平i A 的样本均值：1 1i n i ij j i X X n == ∑g ；水平总样本均值：11111i n r r ij i i i j i X X n X n n =====∑∑∑，1 r i i n n ==∑；偏差平方和与效应组间偏差平方和： 2 221 1 ()r r A i i i i i i S n X X n X nX ===-=-∑∑g g ；（衡量由不同水平产生的差异）组内偏差平方和： 2 2 211 1 1 ()()i i n n r r E ij i ij i i i j i j S X X X n X =====-=-∑∑∑∑g g ；（衡量由随机因素在同一水平上产生的差异）总偏差平方和： 2 2 211 1 ()i n r r T ij i ij i j i S X X n X nX ====-=-∑∑∑；（综合衡量因素，水平之间，随机因素的差异）定理1（总偏差平方和分解定理） T A E S S S =+。即2 2 211 11 11 ()()()i i i n n n r r r ij ij i i i j i j i j X X X X X X ======-=-+-∑∑∑∑∑∑g g ，或直接证明。注：利用11 ()()0i n r ij i i i j X X X X ==--=∑∑即可证明。定理2（统计特性） 2 ()E ES n r σ=-，2 21(1)r A i i i ES r n σδ==-+∑，2 21 (1)r T i i i ES n n σδ==-+∑。

方差分析与回归分析习题答案完整版

方差分析与回归分析习题答案 HUA system office room 【HUA16H-TTMS2A-HUAS8Q8-HUAH1688】

结论:由于0.018.53(2,9)8.02, A F F ≈>=故果树品种对产量有特别显着影响. 2700 10.52 93.56 ≈

结论: 由以上方差分析知，进器对火箭的射程有特别显着影响；燃料对火箭的射程有显着影响. 3．为了研究某商品的需求量Y与价格x之间的关系，收集到下列10对数据： 22 31,58,147,112,410.5, i i i i i i x y x y x y ===== ∑∑∑∑∑（1）求需求量Y与价格x之间的线性回归方程；（2）计算样本相关系数；（3）用F检验法作线性回归关系显着性检验. 解：引入记号10, 3.1, 5.8 n x y === ∴需求量Y与价格x之间的线性回归方程为（2）样本相关系数 32.8 0.9556 34.3248 l r - ==≈≈-

在0H 成立的条件下，取统计量~(1,2)R e F F n S = - 计算统计值 2 2(32.8)15.967.66, 74.167.66 6.44 R xy xx e yy R S l l S l S ==-≈=-≈-= 故需求量Y 与价格x 之间的线性回归关系特别显着. 4. 随机调查10个城市居民的家庭平均收入(x)与电器用电支出(y)情况得数据（单位：千元）如下: (1) 求电器用电支出y 与家庭平均收入x 之间的线性回归方程； (2) 计算样本相关系数； (3) 作线性回归关系显着性检验; (4) 若线性回归关系显着,求x =25时, y 的置信度为0.95的预测区间. 解：引入记号 10, 27, 1.9n x y === ∴电器用电支出y 与家庭平均收入x 之间的线性回归方程为（2）样本相关系数 0.9845l r = = ≈

t检验和方差分析的前提条件及应用误区精编版

t检验和方差分析的前提条件及应用误区集团企业公司编码：（LL3698-KKI1269-TM2483-LUI12689-ITT289-

t检验和方差分析的前提条件及应用误区用于比较均值的t检验可以分成三类，第一类是针对单组设计定量资料的；第二类是针对配对设计定量资料的；第三类则是针对成组设计定量资料的。后两种设计类型的区别在于事先是否将两组研究对象按照某一个或几个方面的特征相似配成对子。无论哪种类型的t检验，都必须在满足特定的前提条件下应用才是合理的。若是单组设计，必须给出一个标准值或总体均值，同时，提供一组定量的观测结果，应用t检验的前提条件就是该组资料必须服从正态分布；若是配对设计，每对数据的差值必须服从正态分布；若是成组设计，个体之间相互独立，两组资料均取自正态分布的总体，并满足方差齐性。之所以需要这些前提条件，是因为必须在这样的前提下所计算出的t统计量才服从t分布，而t检验正是以t分布作为其理论依据的检验方法。值得注意的是，方差分析与成组设计t检验的前提条件是相同的，即正态性和方差齐性。t检验是目前医学研究中使用频率最高，医学论文中最常见到的处理定量资料的假设检验方法。t检验得到如此广泛的应用，究其原因，不外乎以下几点：现有的医学期刊多在统计学方面作出了要求，研究结论需要统计学支持；传统的医学统计教学都把t检验作为假设检验的入门方法进行介绍，使之成为广大医学研究人员最熟悉的方法；t 检验方法简单，其结果便于解释。简单、熟悉加上外界的要求，促成了t检验的流行。但是，由于某些人对该方法理解得不全面，导致在应用过程中出现不少问题，有些甚至是非常严重的错误，直接影响到结论的可靠性。将这些问题归类，可大致概括为以下两种情况：不考虑t检验的应用前提，对两组的比较一律用t检验；将各种实验设计类型一律视为多个单因素两水平设计，多次用t检验进行均值之间的两两比较。以上两种情况，均不同程度地增加了得出错误结论的风险。而且，在实验因素的个数大于等于2时，无法研究实验因素之间的交互作用的大小。

应用回归分析-第2章课后习题参考答案

2.1 一元线性回归模型有哪些基本假定？答：1. 解释变量 1x ,Λ,2x ,p x 是非随机变量，观测值,1i x ,,2Λi x ip x 是常数。 2. 等方差及不相关的假定条件为 ? ? ? ? ? ? ??????≠=====j i n j i j i n i E j i i ,0),,2,1,(,),cov(,,2,1, 0)(2ΛΛσεεε 这个条件称为高斯-马尔柯夫(Gauss-Markov)条件，简称G-M 条件。在此条件下，便可以得到关于回归系数的最小二乘估计及误差项方差2σ估计的一些重要性质，如回归系数的最小二乘估计是回归系数的最小方差线性无偏估计等。 3. 正态分布的假定条件为 ???=相互独立 n i n i N εεεσε,,,,,2,1),,0(~212ΛΛ 在此条件下便可得到关于回归系数的最小二乘估计及2σ估计的进一步结果，如它们分别是回归系数的最及2σ的最小方差无偏估计等，并且可以作回归的显著性检验及区间估计。 4. 通常为了便于数学上的处理，还要求,p n >及样本容量的个数要多于解释变量的个数。在整个回归分析中，线性回归的统计模型最为重要。一方面是因为线性回归的应用最广泛；另一方面是只有在回归模型为线性的假设下，才能的到比较深入和一般的结果；再就是有许多非线性的回归模型可以通过适当的转化变为线性回归问题进行处理。因此，线性回归模型的理论和应用是本书研究的重点。 1. 如何根据样本),,2,1)(;,,,(21n i y x x x i ip i i ΛΛ=求出p ββββ,,,,210Λ及方差2σ的估计; 2. 对回归方程及回归系数的种种假设进行检验； 3. 如何根据回归方程进行预测和控制，以及如何进行实际问题的结构分析。 2.2 考虑过原点的线性回归模型 n i x y i i i ,,2,1,1Λ=+=εβ误差n εεε,,,21Λ仍满足基本假定。求1β的最小二乘估计。答：∑∑==-=-=n i n i i i i x y y E y Q 1 1 2112 1)())(()(ββ

T检验及其与方差分析的区别

T检验及其与方差分析的区别 Last revision on 21 December 2020

T检验及其与方差分析的区别假设检验是通过两组或多组的样本统计量的差别或样本统计量与总体参数的差异来推断他们相应的总体参数是否相同。 t 检验：1.单因素设计的小样本（n＜50）计量资料 2.样本来自正态分布总体 3.总体标准差未知 4.两样本均数比较时，要求两样本相应的总体方差相等 ?根据研究设计t检验可由三种形式： –单个样本的t检验 –配对样本均数t检验(非独立两样本均数t检验) –两个独立样本均数t检验（1）单个样本t检验 ?又称单样本均数t检验(one sample t test),适用于样本均数与已知总体均数μ0的比较,其比较目的是检验样本均数所代表的总体均数μ是否与已知总体均数μ0有差别。 ?已知总体均数μ0一般为标准值、理论值或经大量观察得到的较稳定的指标值。 ?单样t检验的应用条件是总体标准未知的小样本资料( 如n<50),且服从正态分布。（2）配对样本均数t检验 ?配对样本均数t检验简称配对t检验(paired t test),又称非独立两样本均数t检验,适用于配对设计计量资料均数的比较,其比较目的是检验两相关样本均数所代表的未知总体均数是否有差别。

?配对设计(paired design)是将受试对象按某些重要特征相近的原则配成对子，每对中的两个个体随机地给予两种处理。 ?应用配对设计可以减少实验的误差和控制非处理因素，提高统计处理的效率。 ?配对设计处理分配方式主要有三种情况： ①两个同质受试对象分别接受两种处理，如把同窝、同性别和体重相近的动物配成一对，或把同性别和年龄相近的相同病情病人配成一对； ②同一受试对象或同一标本的两个部分，随机分配接受两种不同处理，如例资料； ③自身对比(self-contrast)。即将同一受试对象处理（实验或治疗）前后的结果进行比较，如对高血压患者治疗前后、运动员体育运动前后的某一生理指标进行比较。（3）两独立样本t检验两独立样本t 检验(two independent samples t-test)，又称成组t 检验。 ?适用于完全随机设计的两样本均数的比较,其目的是检验两样本所来自总体的均数是否相等。 ?完全随机设计是将受试对象随机地分配到两组中，每组对象分别接受不同的处理，分析比较处理的效应。或分别从不同总体中随机抽样进行研究。 ?两独立样本t检验要求两样本所代表的总体服从正态分布N(μ1，σ12)和N(μ2，σ 2)，且两总体方差σ12、σ22相等,即方差齐性(homogeneity of variance, 2 homoscedasticity)。 ?若两总体方差不等,即方差不齐，可采用t’检验,或进行变量变换,或用秩和检验方法处理。 t 检验中的注意事项 1.假设检验结论正确的前提作假设检验用的样本资料，必须能代表相应的总

假设检验与方差分析

实验四假设检验实验目的：通过此实验熟练掌握如何利用假设检验工具根据不同条件选择相应检验工具进行检验，有助于学习者理解假设检验的过程及结果实验要求：能够运用Excel 对总体均值进行假设检验，学会针对实际背景提出原假设和备择假设来检验实际问题，并根据检验结果作出符合统计学原理和实际情况的判断和结论，加深对统计学方法的广泛应用背景的理解假设检验与区间估计两者之间存在密切的关系，二者用的是同一个样本、同一个统计量、同一种分布，所以也可以用区间估计进行假设检验，两者结论是一致的。在Excel 中进行假设检验，除可按区间估计过程用公式和逆函数计算外，还备有专用的假设检验工具，包括Z —检验工具、T —检验工具和F —检验工具。使用这些工具，可以直接根据样本数据进行计算，一次给出检验统计量、单尾和双尾临界值以及小于或等于临界值的概率等所需要的数值。实验四主要介绍假设检验工具的使用。一、假设检验的一般过程假设检验主要是根据计算出的检验统计量与相应临界值比较，作出拒绝或接受原假设的决定。根据全国汽车经销商协会报道，旧车的平均销售价格是10192美元。堪萨斯城某旧车经销处的一名经理检查了近期在该经销处销售的100辆旧车。结果样本平均价格是9300美元，样本标准差是4500美元。在0.05的显著性水平下，检验H 0：10192≥μ H 1：10192<μ。问：假设检验的结论是什么？这名经理接下来可能会采取什么行动？本例由于样本容量比较大，其均值近似服从正态分布，总体方差未知，需要用样本标准差来代替，选择T 统计量进行检验。T 统计量的计算公式如下：

)1(~1 0--= -n t n s x t n μ 单击任一空单元格，输入“=(9300-10192)/(4500/SQRT(100))”，回车确认，得出t 统计量为-1.982。单击另一空单元格，输入“=TINV(0.025,99)”，回车确认，得出t 分布的右临界值为2.276。因为276.2982.1<-，所以不拒绝原假设，认为此旧车经销处旧汽车平均销售价格不小于10192美元。那么接下来这名经理会采取什么相应行动？（请读者思考）。本例主要介绍了假设检验的一般过程，利用Excel 的公式和函数求出相应的统计量值和临界值，最后作出结论。二、假设检验工具的使用接下来介绍如何使用Excel 的假设检验工具。使用这一工具应该注意二点：第一，由于现实世界和生活中大量的数据服从正态分布，Excel 的假设检验工具是按正态总体设计的（以下各例未特殊说明，认为其服从或近似服从正态分布）；第二，Excel 的假设检验工具主要用于检验两总体之间有无显著差异。具体来讲，Z —检验工具是对方差或标准差已知的两总体均值进行差异性检验；T —检验工具是对方差和标准差未知的两总体均值进行差异性检验，其中包括等方差假设检验、异方差假设检验和成对双样本检验；F —检验工具是对总体的标准差进行检验。（一）Z —检验工具的使用国际航空运输协会对商务旅行者进行调查以确定大西洋两岸过关机场的等级分数。假定：要求50名商务旅行者组成的随机样本给迈阿密机场打分，另50名商务旅行者组成的随机样本给洛杉机机场打分，最高等级为10分。两个样本数据如下：迈阿密机场得分数据： 6 4 6 8 7 7 6 3 3 8 10 4 8 7 8 7 5 9 5 8 4 3 8 5 5 4 4 4 8 4 5 6 2 5 9 9 8 4 8 9 9 5 9 7 8 3 10 8 9 6 洛杉机机场得分数据： 10 9 6 7 8 7 9 8 10 7 6 5 7 3 5 6 8 7 10 8 4 7 8 6 9 9 5 3 1 8 9 6 8 5 4 6 10 9 8 3 2 7 9 5 3 10 3 5 10 8 假定两总体的等级标准差已知（这里用样本标准差代替总体标准差），

第章方差分析与回归分析习题答案

第章方差分析与回归分析习题答案 Document number：WTWYT-WYWY-BTGTT-YTTYU-2018GT

第九章方差分析与回归分析习题参考答案 1. 为研究不同品种对某种果树产量的影响，进行试验，得试验结果（产量）如下表，试分析果树品种对产量是否有显着影响. （0.05(2,9) 4.26F =，0.01(2,9)8.02F =）解：r=3, 12444n n 321=++=++=n n , T=120 ,120012 1202 2===n T C 计算统计值?722 8.53, 389 A A A e e SS f F SS f = =≈…… 方差分析表结论:由于0.018.53(2,9)8.02, A F F ≈>=故果树品种对产量有特别显着影响. 2. 2700= 10.52 3.56 =≈结论: 由以上方差分析知，进器对火箭的射程有特别显着影响；燃料对火箭的射程有显着影响. 3．为了研究某商品的需求量Y 与价格x 之间的关系，收集到下列10对数据：

31 ,58,147,112,410.5,i i i i i i x y x y x y =====（1）求需求量Y 与价格x 之间的线性回归方程；（2）计算样本相关系数；（3）用F 检验法作线性回归关系显着性检验. 解：引入记号 10, 3.1, 5.8n x y === ∴需求量Y 与价格x 之间的线性回归方程为（2）样本相关系数 32.8 0.955634.3248l r -== ≈≈- 在0H 成立的条件下，取统计量(2)~(1,2)R e n S F F n S -= - 计算统计值 2 2(32.8)15.967.66, 74.167.66 6.44 R xy xx e yy R S l l S l S ==-≈=-≈-= 故需求量Y 与价格x 之间的线性回归关系特别显着. 4. 随机调查10个城市居民的家庭平均收入(x)与电器用电支出(y)情况得数据（单位：千元）如下: (1) 求电器用电支出y 与家庭平均收入x 之间的线性回归方程； (2) 计算样本相关系数； (3) 作线性回归关系显着性检验; (4) 若线性回归关系显着,求x =25时, y 的置信度为的预测区间. 解：引入记号 10,27, 1.9n x y === ∴电器用电支出y 与家庭平均收入x 之间的线性回归方程为（2）样本相关系数 0.9845l r == ≈ 在0H 成立的条件下，取统计量(2)~(1,2)R n S F F n S -= -e 计算统计值 2 243.6354 5.37, 5.54 5.370.17 xy xx yy s l l s l s ==≈=-≈-=R e R 故家庭电器用电支出y 与家庭平均收入x 之间的线性回归关系特别显着. 相关系数检验法 0 1:0;:0H R H R =≠ 故家庭电器用电支出y 与家庭平均收入x 之间的线性回归关系特别显着. (4) 因为0x x =处,0y 的置信度为1α-的预测区间为

应用回归分析,第7章课后习题参考答案

第7章岭回归思考与练习参考答案 7.1 岭回归估计是在什么情况下提出的？答：当自变量间存在复共线性时，｜X’X ｜≈0，回归系数估计的方差就很大，估计值就很不稳定，为解决多重共线性，并使回归得到合理的结果，70年代提出了岭回归(Ridge Regression,简记为RR)。 7.2岭回归的定义及统计思想是什么？答：岭回归法就是以引入偏误为代价减小参数估计量的方差的一种回归方法，其统计思想是对于（X ’X ）-1为奇异时，给X’X 加上一个正常数矩阵D, 那么X’X+D 接近奇异的程度就会比X ′X 接近奇异的程度小得多，从而完成回归。但是这样的回归必定丢失了信息，不满足blue 。但这样的代价有时是值得的，因为这样可以获得与专业知识相一致的结果。 7.3 选择岭参数k 有哪几种方法？答：最优k 是依赖于未知参数β和2σ的，几种常见的选择方法是： ○ 1岭迹法：选择0k 的点能使各岭估计基本稳定，岭估计符号合理，回归系数没有不合乎经济意义的绝对值，且残差平方和增大不太多； ○ 2方差扩大因子法：11()()()c k X X kI X X X X kI --'''=++，其对角线元()jj c k 是岭估计的方差扩大因子。要让()10jj c k ≤； ○ 3残差平方和：满足()SSE k cSSE <成立的最大的k 值。 7.4 用岭回归方法选择自变量应遵循哪些基本原则？答：岭回归选择变量通常的原则是： 1. 在岭回归的计算中，我们通常假定涉及矩阵已经中心化和标准化了，这样可以直接比较标准化岭回归系数的大小。我们可以剔除掉标准化岭回归系数比较稳定且绝对值很小的自变量； 2. 当k 值较小时，标准化岭回归系数的绝对值并不很小，但是不稳定，随

文档之家

案例库 项目八假设检验 回归分析与方差分析

第9章方差分析与回归分析习题答案

第章方差分析与回归分析习题答案定稿版

(整理)sas第九章 t检验和方差分析.

3[1]3总体方差的假设检验

应用回归分析,第4章课后习题参考答案

案例库 项目八假设检验 回归分析与方差分析

t检验与方差分析

正态总体均值及方差的假设检验表

高中数学：第八章 方差分析与回归分析

方差分析与回归分析习题答案完整版

t检验和方差分析的前提条件及应用误区精编版

最新多元统计分析第三章 假设检验与方差分析

应用回归分析-第2章课后习题参考答案

T检验及其与方差分析的区别

假设检验与方差分析

第章方差分析与回归分析习题答案

应用回归分析,第7章课后习题参考答案

案例库项目八假设检验回归分析与方差分析

案例库项目八假设检验回归分析与方差分析

高中数学：第八章方差分析与回归分析

最新多元统计分析第三章假设检验与方差分析