线性回归方程2

H0：K个自变 量为好 H1：K＋1个自变量为好
• 向前引入法（forward selection)
自变量由少到多一个一个引入回归方程。 将 corr(y , xj)最大而又能拒绝H0者，最 先引入方程，余此类推。至不能再拒绝 H0为止。
• 向后剔除法（backward selection)
自变量先全部选入方程，每次剔除一个使 上述检验最不能拒绝H0者，直到不能剔 除为止。
多元线性回归
• 多元线性回归是简单线性回归的直接推广，其包含一 个因变量和二个或二个以上的自变量。
• 简单线性回归是研究一个因变量（Y）和一个自变量 （X）之间数量上相互依存的线性关系。而多元线性回 归是研究一个因变量（Y）和多个自变量（Xi）之间数 量上相互依存的线性关系。
• 简单线性回归的大部分内容可用于多元回归，因其基 本概念是一样的。
y =B0+B1x1+B2x2+…+Bp xp+ (模型）
B0、B1、B2和Bp为待估参数， 为残差。 • 由一组样本数据，可求出等估参数的估计值b0、b1、b2
和bp,，得到如下回归方程：
ŷi =b0+b1x1+b2x2+…+bp xp
• 由此可见，建立回归方程的过程就是对回归模型中的 参数（常数项和偏回归系数）进行估计的过程。
回归方程中自变量的选择
• 多元线性回归方程中并非自变量越多越 好，原因是自变量越多剩余标准差可能 变大；同时也增加收集资料的难度。故 需寻求“最佳”回归方程，逐步回归分 析是寻求“较佳”回归方程的一种方法。
选择变量的统计学标准
• R2最大
R2 ＝ SS回归／ SS总
• adjR2最大： adjR2＝1－MS误差/ MS总

)
lXY lXX
a Y bX
03:56
24
b＝0.1584，a＝-0.1353
Yˆ 0.1353 0.1584X
03:56
25
回归直线的有关性质
(1) 直线通过均点 ( X ,Y )
(2) 各点到该回归线纵向距离平方和较到其它任何直线小。
(Y Yˆ)2 [Yˆ a bX ]2
03:56
残 差 0.0282 22 0.0013
总变异 0.0812 23
R2=SS回归/SS总=0.0530/0.0812=0.6527 说明在空气中NO浓度总变异的65.27%与车流量有关。
03:56
48
二、简单线性回归模型
两变量关系的定量描述 统计推断 统计应用
统计预测
Y 的均值的区间估计：总体回归线的95%置信带（相应X 取值水平下，） ；
回归模型 (regression model)：
描述变量之间的依存关系的函数。
简单线性回归(simple linear regression)：
模型中只包含两个有“依存关系”的变量，一个变量随 另外一个变量的变化而变化，且呈直线变化趋势，称之 为简单线性回归。
03:56
9
例如，舒张压和血清胆固醇的依存性
统计推断 通过假设检验推断NO平均浓度是否随着车 流量变化而变化；
统计应用 利用模型进行统计预测或控制。
03:56
13
两变量关系的定量描述
散点图 简单线性回归方程 回归系数的计算——回归系数的最小二乘估计 线性回归分析的前提条件
03:56
14
1. 散点图
0.25
0.2
NO浓度/×10-6
正态 (normal)假定是指线性模型的误差项服从正态 分布 。

果关系。
变量筛选
在多元回归分析中，利用回归线 方程筛选对因变量有显著影响的
自变量，简化模型。
控制质量
过程控制
在生产过程中，通过建立回归线方程，监控关键工艺参数对产品 质量的影响，确保产品质量稳定。
质量控制
利用回归线方程分析产品质量检测数据，找出影响产品质量的因素 ，制定相应的质量控制措施。
质量改进
求解回归系数
01
02
03
计算回归系数
根据回归方程，计算每个 自变量的回归系数。
分析回归系数
分析回归系数的符号、大 小和显著性，了解自变量 对因变量的影响程度。
检验回归系数
通过假设检验等方法，检 验回差分布情况，检查 是否存在异常值或离群点 。
拟合优度检验
通过计算判定系数、调整 判定系数等方法，评估回 归方程的拟合优度。
显著性检验
通过F检验、t检验等方法 ，检验回归方程的显著性 和可信度。
REPORT
CATALOG
DATE
ANALYSIS
SUMMAR Y
04
回归线方程的应用
预测未来趋势
股票价格预测
通过分析历史股票数据，利用回 归线方程建立模型，预测未来股
最小二乘法通过最小化误差的 平方和来找到最佳拟合直线， 使得所有数据点到直线的垂直 距离最小。
最小二乘法的计算过程
计算误差
计算每个数据点到拟合线的垂 直距离，即误差。
最小化误差平方和
通过最小化所有数据点到直线 的垂直距离的平方和来找到最 佳拟合直线。
收集数据
收集自变量（X）和因变量（Y ）的数据点。
数据来源的可靠性
02
数据来源必须可靠，避免使用不可靠的数据源可能导致错误的

(3)90－(0.7×100＋0.35)＝19.65(t) ∴降低了19.65吨.
建立i起1 来了．
为了使计算更加有条理，我们通过制作表格来先计算出
再计算出 n
n
n
n
xi， yi， xi 2， yi 2;
i 1
i 1
i 1
i 1
y

1 n
n i 1
yi , x

1 n
n i 1
xi，
最后 利用公式
Lxx
n
xi2

2
nx , Lyy
8
70
68.3
4900
4664.89
4781
9
72
70.1
5184
4914.01
5047.2
10
74
70
5476
4900
5180

668
670.1
44794
44941.93
44842.4
回归直线方程
【典型例题】
上表可计算 x
10

668 10
10

66.8,
y

670.1 10

67.01,
10 i 1
xi
yi

44842.4
xi2 44794, yi2 44941.93, 代入公式
i 1 10
i 1
b
xi yi nx y
i 1
n
xi2

2
nx

44842.4 10 66.8 67.01 79.72
44974 10 66.82