第9章 回归模型的函数形式

第9章 非线性回归9.1 在非线性回归线性化时，对因变量作变换应注意什么问题？答：在对非线性回归模型线性化时，对因变量作变换时不仅要注意回归函数的形式， 还要注意误差项的形式。

如：(1) 乘性误差项，模型形式为e y AK L αβε=， (2) 加性误差项，模型形式为y AK L αβε=+。

对乘法误差项模型（1）可通过两边取对数转化成线性模型，（2）不能线性化。

一般总是假定非线性模型误差项的形式就是能够使回归模型线性化的形式，为了方便通常省去误差项，仅考虑回归函数的形式。

9.2为了研究生产率与废料率之间的关系，记录了如表9.14所示的数据，请画出散点图，根据散点图的趋势拟合适当的回归模型。

表9.14生产率x （单位/周） 1000 2000 3000 3500 4000 4500 5000 废品率y （%）5.26.56.88.110.2 10.3 13.0解：先画出散点图如下图：5000.004000.003000.002000.001000.00x12.0010.008.006.00y从散点图大致可以判断出x 和y 之间呈抛物线或指数曲线，由此采用二次方程式和指数函数进行曲线回归。

（1）二次曲线 SPSS 输出结果如下：Mode l Sum mary.981.962.942.651R R SquareAdjusted R SquareStd. E rror of the E stim ateThe independent variable is x.ANOVA42.571221.28650.160.0011.6974.42444.2696Regression Residual TotalSum of Squares dfMean SquareF Sig.The independent variable is x.Coe fficients-.001.001-.449-.891.4234.47E -007.0001.4172.812.0485.843 1.3244.414.012x x ** 2(Constant)B Std. E rror Unstandardized Coefficients BetaStandardizedCoefficientstSig.从上表可以得到回归方程为：72ˆ 5.8430.087 4.4710yx x -=-+⨯ 由x 的系数检验P 值大于0.05，得到x 的系数未通过显著性检验。

9.1 9.2 9.3 9.4 9.5 多元线性回归模型 拟合优度和显著性检验 多重共线性及其处理 利用回归方程进行预测 虚拟自变量的回归
统计学
STATISTICS (第三版)
学习目标
多元线性回归模型、回归方程与估计的回 归方程 回归方程的拟合优度与显著性检验 多重共线性问题及其处理 利用回归方程进行预测 虚拟自变量的回归 用Excel和SPSS进行回归分析
统 计 学
(第三版)
2019
作者 贾俊平
统计学
STATISTICS (第三版)
统计名言
上好的模型选择可遵循一个称为奥 克姆剃刀(Occam’s Razor)的基本原 理：最好的科学模型往往最简单， 且能解释所观察到的事实。
——William Navidi
9-2 2019年8月
第 9 章 多元线性回归
b1，b假定其他变量不变，当 xi 每变 动一个单位时，y 的平均变动值
9 - 10
2019年8月
统计学
STATISTICS (第三版)
估计的多元线性回归的方程
(estimated multiple linear regression equation)
9 - 11 2019年8月
9.1 多元线性回归模型 9.1.2 参数的最小二乘估计
统计学
STATISTICS (第三版)
参数的最小二乘估计
1. 使因变量的观察值与估计值之间的离差平方和 ˆ ,b ˆ ,b ˆ ,, b ˆ 。即 达到最小来求得 b 0 1 2 k
2 2 ˆ ,b ˆ ,b ˆ ,, b ˆ ) (y y ˆ Q( b ) e i i i 最小 0 1 2 k i 1 i 1 n n

估计。
一）、加权最小二乘估计 假定各观测值的权重为Wi，求解回归方 程就要使得以下加权后的残差平方和最小
ss残W Wi Yi aw bw X
2
bw
aW
WX WY WXY W l l WX WX W WY b WX Y b W
二、直线回归方程的求法 直线方程为： a为Y轴上的截距；b为斜率，表示X 每改变一个单位，Y的变化的值，称为回 归系数； 表示在X值处Y的总体均数 估计值。为求a和b两系数，根据数学上 的最小二乘法原理，可导出a和b的算式 如下：
例9-1 某地方病研究所调查了8名正常 儿童的尿肌酐含量（mmol/24h）如表91。估计尿肌酐含量（Y）对其年龄（X） 的关系。
表14，rs界值表，P<0.01,故可认为当地居 民死因的构成和各种死因导致的潜在工作损 失年数WYPLL的构成呈正相关。 二、相同秩次较多时rs的校正 当X及Y中，相同秩次个数多时，宜用下式校 正
第四节
加权直线回归
在一些情况下，根据专业知识考虑 并结合实际数据，某些观察值对于估计 回归方程显得更“重要”，而有些不 “重要”，此时可以采用加权最小二乘
lYY的分析 如图9－4，p点的纵坐标被回归直线与均数 截成三个线段：
图9－4
平方和划分示意图
第一段 第二段
第三段
上述三段代数和为：
移项：
p点是散点图中任取一点，将所有的点子都
按上法处理，并将等式两端平方后再求和，
则有：
它们各自的自由度分别为： 可计算统计量F：
SS回 SS 残
2
F
回 残
表9-3某省1995年到1999年居民死因构成与WYPLL构成

回归模型的函数形式回归模型是一种描述自变量和因变量之间关系的数学模型。

它可以用来预测因变量的值，基于给定的自变量值。

回归模型可以是线性的或非线性的，具体选择哪种形式取决于数据的特点和研究的目标。

以下是一些常见的回归模型的函数形式：1.线性回归模型：线性回归模型假设因变量与自变量之间存在线性关系。

最简单的线性回归模型称为简单线性回归模型，可以使用一条直线来描述自变量和因变量之间的关系：Y=β0+β1X+ε其中，Y表示因变量，X表示自变量，β0表示Y截距，β1表示X的系数，ε表示误差项。

2.多元线性回归模型：多元线性回归模型用于描述多个自变量与因变量之间的线性关系。

它的函数形式为：Y=β0+β1X1+β2X2+...+βnXn+ε其中，Y表示因变量，Xi表示第i个自变量，βi表示Xi的系数，ε表示误差项。

3.多项式回归模型：多项式回归模型用于描述自变量和因变量之间的非线性关系。

它可以通过引入自变量的幂次项来逼近非线性函数：Y=β0+β1X+β2X^2+...+βnX^n+ε4.对数回归模型：对数回归模型适用于自变量与因变量之间存在指数关系的情况。

它可以将自变量或因变量取对数，将非线性关系转化为线性关系：ln(Y) = β0 + β1X + ε5. Logistic回归模型：Logistic回归模型用于描述分类变量的概率。

它的函数形式是Sigmoid函数，将自变量的线性组合映射到0和1之间的概率值：P(Y=1，X)=1/(1+e^(-β0-β1X))以上是几种常见的回归模型的函数形式。

回归模型的选择取决于数据的特征和研究的目标，需要考虑线性或非线性关系、自变量的数量、相关性等因素。

根据实际情况，可以选择合适的模型进行建模和预测。