一元线性回归分析法

它应满足式（3.2.1），即
,
,
y1 0 1 x11 2 x12 p x1 p 1 y x x x 2 0 1 21 2 22 p 2p 2 y n 0 1 x n1 2 x n 2 p x np n
（1）建立非线性回归模型1/y=a+b/x； （2）预测钢包使用x0=17次后增大的容积y0； （3）计算回归模型参数的95%的置信区间。
初始值要先计算，先选择已知数据中的两点（ 2,6.42）和（16,10.76）代入设定方程，得到方程组
2 6.42 6.42(2a b) 2 2a b 16 10.76(16a b) 16 10.76 16a b
ˆ 2.7991 y x 23.5493
解释：职工工资总额每增加1亿元，社会商品零售总额将增加 2.80亿。
2、一元多项式回归模型
(1) 多项式回归的基本命令 在一元回归模型中，如果变量y与x的关系是n次多项式，即
y an x an1x
n
n1
... a1x a0
试求：① 给出y与t的回归模型； ② 在同一坐标系内做出原始数据与拟合结果的散点图 ③ 预测t=16时残留的细菌数；
ex006
三、多元线性回归模型 (略)
多元线性回归模型及其表示
对于总体
( X 1 , X 2 ,, X p ;Y ) 的n组观测值
( xi1 , xi 2 ,, xip ; yi )(i 1,2,, n; n p)
例为了分析X射线的杀菌作用，用200千伏的X射线来照射细 菌，每次照射6分钟用平板计数法估计尚存活的细菌数，照 射次数记为t，照射后的细菌数y如表3.3所示。

《土地利用规划学》一元线性回归分析学院：资源与环境学院班级：2013009姓名：x学号：201300926指导老师：x目录一、根据数据绘制散点图： (1)二、用最小二乘法确定回归直线方程的参数： (1)1）最小二乘法原理 (1)2）求回归直线方程的步骤 (3)三、回归模型的检验： (4)1）拟合优度检验（R2）： (4)2）相关系数显著性检验： (5)3）回归方程的显著性检验（F 检验） (6)四、用excel进行回归分析 (7)五、总结 (15)一、根据数据绘制散点图：◎由上述数据，以销售额为y 轴（因变量），广告支出为X 轴（自变量）在EXCEL 可以绘制散点图如下图：◎从散点图的形态来看，广告支出与销售额之间似乎存在正的线性相关关系。

大致分布在某条直线附近。

所以假设回归方程为：x y βα+=二、用最小二乘法确定回归直线方程的参数： 1）最小二乘法原理年份 1.00 2.00 3.00 4.00 5.00 6.00 7.00 8.00 9.00 10.00 广告支出（万元）x 4.00 7.00 9.00 12.00 14.00 17.00 20.00 22.00 25.00 27.00销售额y7.00 12.00 17.00 20.00 23.00 26.00 29.00 32.00 35.00 40.00最小二乘法原理可以从一组测定的数据中寻求变量之间的依赖关系，这种函数关系称为经验公式。

考虑函数y=ax+b ，其中a,b 为待定常数。

如果Pi(xi,yi)（i=1,2,...,n ）在一条直线上，则可以认为变量之间的关系为y=ax+b 。

但一般说来, 这些点不可能在同一直线上. 记Ei=yi-(axi+b)，它反映了用直线y=ax+b 来描述x=xi ，y=yi 时，计算值y 与实际值yi 的偏差。

当然，要求偏差越小越好，但由于Ei 可正可负，所以不能认为当∑Ei=0时，函数y=ax+b 就好好地反应了变量之间的关系，因为可能每个偏差的绝对值都很大。

求根据一名女大学生的身高预报她的体重的回归方程，并预报一名身高为 172cm的女大学生的体重。
解：1、选取身高为自变量x，体重为因变量y，作散点图：
2、由散点图知道身高和体重有比较好的线性相 关关系，因此可以用线性回归方程刻画它们之间 的关系。
第17页/共39页
课题：选修2-3 8.5 回归分析案例
分析：由于问题中要求根 据身高预报体重，因此选 取身高为自变量，体重为 因变量．
再冷的石头，坐上三年也会暖 !
1. 散点图；
2.回归方程： yˆ 0.849x 85.172 身高172cm女大学生体重 yˆ = 0.849×172 - 85.712 = 60.316(kg)
本例中, r=0.798>0.75．这表明体重与身高有很强的线性相关关系，从而也表明我们 建立的回归模型是有意义的。
xi2
2
nx
,......(2)
i 1
i 1
其中x
1 n
n i 1
xi ,
y
1 n
n i 1
yi .
(x, y) 称为样本点的中心。
第8页/共39页
课题：选修2-3 8.5 回归分析案例
再冷的石头，坐上三年也会暖 !
1、回归直线方程
1、所求直线方程叫做回归直线方程；
相应的直线叫做回归直线。
2、对两个变量进行的线性分析叫做线性回归分析。
然后，我们可以通过残差 e1, e2 , , en 来判断模型拟合的效果，
判断原始数据中是否存在可疑数据，这方面的分析工作称为残差分析。
表3-2列出了女大学生身高和体重的原始数据以及相应的残差数据。
编号 1
2
3
4
5

n ei 0 i 1 n xe 0 i i i 1
经整理后,得正规方程组
n n ˆ ˆ n ( x ) 0 i 1 yi i 1 i 1 n n n ( x ) ˆ ( x 2 ) ˆ xy i 0 i 1 i i i 1 i 1 i 1
y ˆ i 0 1xi ˆi 之间残差的平方和最小。 使观测值 y i 和拟合值 y
ei y i y ˆi
n
称为yi的残差
ˆ , ˆ ) ˆ ˆ x )2 Q( ( y i 0 1i 0 1
i 1
min ( yi 0 1 xi ) 2
i
xi x
2 ( x x ) i i 1 n
yi
2 .3 最小二乘估计的性质
二、无偏性
ˆ ) E ( 1
i 1 n
n
xi x
2 ( x x ) j j 1 n
其中用到
E ( yi )
( x x) 0 (xi x) xi (xi x)2
二、用统计软件计算
1．例2.1 用Excel软件计算
什么是P 值?(P-value)
• P 值即显著性概率值 ，Significence Probability Value
•
是当原假设为真时所得到的样本观察结果或更极端情况 出现的概率。
P值与t值： P t t值 P值


•
它是用此样本拒绝原假设所犯弃真错误的真实概率，被 称为观察到的(或实测的)显著性水平。P值也可以理解为 在零假设正确的情况下，利用观测数据得到与零假设相 一致的结果的概率。
2 .1 一元线性回归模型