31回归分析的基本思想及其初步应用.ppt

《31回归分析的基本思想及其初步应用.ppt》由会员分享，可在线阅读，更多相关《31回归分析的基本思想及其初步应用.ppt（44页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、(统计统计)知识结构知识结构 收集数据收集数据 (随机抽样随机抽样)整理、分析数据估整理、分析数据估计、推断计、推断简简单单随随机机抽抽样样分分层层抽抽样样系系统统抽抽样样用样本估计总体用样本估计总体变量间的相关关系变量间的相关关系 用样本用样本的频率的频率分布估分布估计总体计总体分布分布 用样本用样本数字特数字特征估计征估计总体数总体数字特征字特征线线性性回回归归分分析析1、两个变量的关系、两个变量的关系不相关不相关相关关相关关系系函数关系函数关系线性相关线性相关非线性相关非线性相关问题问题1：现实生活中两个变量间的关系有哪些呢：现实生活中两个变量间的关系有哪些呢？相关关系：相关关系：对于两

2、个变量，当自变量取值一定时，对于两个变量，当自变量取值一定时，因变量的取值带有一定随机性的两个变量之间的关因变量的取值带有一定随机性的两个变量之间的关系。系。思考：相关关系与函数关系有怎样的不同？函数关系中的两个变量间是一种确定性关系相关关系是一种非确定性关系 函数关系是一种理想的关系模型 相关关系在现实生活中大量存在，是更一般的情况2回归分析回归分析是对具有 的两个变量进行统计分析的一种常用方法3线性回归模型(1)由散点图易发现，样本点散布在某一条直线附近，而不是一条直线上，不能用一次函数ybxa描述它们之间的关系，因此用线性回归模型ybxae来表示，其中a、b为未知参数，e为相关关系随机误

3、差(2)解释变量和预报变量线性回归模型与一次函数模型的不同之处是增加了随机误差项e，因变量y由和共同确定，即自变量x只解释部分y的变化，在统计中，我们也把自变量x称为解释变量，因变量y称为预报变量自变量x随机误差e问题问题2：对于线性相关的两个变量用什么方法来刻：对于线性相关的两个变量用什么方法来刻划之间的关系呢？划之间的关系呢？2、最小二乘估计、最小二乘估计最小二乘估计下的线性回归方程：最小二乘估计下的线性回归方程：回归直线必过样本点的中心回归直线必过样本点的中心3、回归分析的基本步骤回归分析的基本步骤:画散点图画散点图求回归方程求回归方程预报、决策预报、决策这种方法称为回归分析这种方法称为

4、回归分析.回归分析回归分析是对具有相关关系的两个变量进行统计是对具有相关关系的两个变量进行统计分析的一种常用方法分析的一种常用方法.3刻画回归效果的方式残差样本编号身高数据体重估计值越小解释预报【例1】为研究重量x(单位：克)对弹簧长度y(单位：厘米)的影响，对不同重量的6个物体进行测量，数据如下表所示：(1)作出散点图并求线性回归方程；(2)求出R2；(3)进行残差分析思路探索 作残差分析时，一般从以下几个方面予以说明：(1)散点图；(2)相关指数；(3)残差图中的异常点和样本点的带状分布区域的宽窄x51015202530y725812895990109118自主解答(1)散点图如图 例例2

5、从某大学中随机选取从某大学中随机选取8名女大学生，其身高和体重数据如表名女大学生，其身高和体重数据如表1-1所示。所示。5943616454505748体重/kg170155165175170157165165身高/cm87654321编号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。的女大学生的体重。问题：结合例问题：结合例2得出线性回归模型及随机误差。并且得出线性回归模型及随机误差。并且区分区分函数模型和回归模型。函数模型和回归模型。解：解：1、选取身高为自变量、选取身高为自变量x

6、，体重为因变量，体重为因变量y，作散点图：，作散点图：2.回归方程：回归方程：探究：身高为172cm的女大学生的体重一定是60.316kg吗？如果不是，你能解析一下原因吗？答：用这个回归方程不能给出每个身高为答：用这个回归方程不能给出每个身高为172cm的女大学生的体重的预测值，的女大学生的体重的预测值，只能给出她们平均体重的估计值。只能给出她们平均体重的估计值。由于所有的样本点不共线，而只是散布在某一直线的附近，所由于所有的样本点不共线，而只是散布在某一直线的附近，所以身高和体重的关系可以用以身高和体重的关系可以用线性回归模型线性回归模型来表示：来表示：其中其中a和和b为模型的未知参数，为模

7、型的未知参数，e称为随机误差称为随机误差.函数模型与函数模型与“回归模型回归模型”的关系的关系函数模型：因变量函数模型：因变量y完全由自变量完全由自变量x确定确定回归模型：回归模型：预报变量预报变量y完全由解释变量完全由解释变量x和随机误差和随机误差e确定确定注：注：e 产生的主要原因：产生的主要原因：(1)所用确定性函数不恰当；所用确定性函数不恰当；(2)忽略了某些因素的影响；忽略了某些因素的影响；(3)观测误差。观测误差。思考思考:产生随机误差项产生随机误差项e的原因的原因是什么？是什么？问题二：问题二：在线性回归模型中，在线性回归模型中，e是用是用bx+a预报真实值预报真实值y的随机误差

8、，的随机误差，它是一个不可观测的量，那么应如何研究随机误差呢？它是一个不可观测的量，那么应如何研究随机误差呢？结合例结合例1除了身高影响体重外的其他因素是不可测量的，不能希望有某种方法获除了身高影响体重外的其他因素是不可测量的，不能希望有某种方法获取随机误差的值以提高预报变量的估计精度，但却可以估计预报变量观测值中所包取随机误差的值以提高预报变量的估计精度，但却可以估计预报变量观测值中所包含的随机误差，这对我们查找样本数据中的错误和模型的评价极为有用，因此在此含的随机误差，这对我们查找样本数据中的错误和模型的评价极为有用，因此在此我们引入残差概念。我们引入残差概念。e=y-(bx+a)问题三：

9、如何发现数据中的错误？如何衡量随机模型的拟合效果？问题三：如何发现数据中的错误？如何衡量随机模型的拟合效果？(1)我们可以通过分析发现原始数据中的可疑数据，判断建立模型的拟合效果。我们可以通过分析发现原始数据中的可疑数据，判断建立模型的拟合效果。残差图的制作和作用：残差图的制作和作用：制作：坐标纵轴为残差变量，横轴可以有不同的选择制作：坐标纵轴为残差变量，横轴可以有不同的选择.横轴为编号：可以考察残差与编号次序之间的关系，横轴为编号：可以考察残差与编号次序之间的关系，常常用于调查数据错误用于调查数据错误.横轴为解释变量：可以考察残差与解释变量的关系，常用横轴为解释变量：可以考察残差与解释变量的

10、关系，常用于研究模型是否有改进的余地于研究模型是否有改进的余地.作用：判断模型的适用性若模型选择的正确，残差图中的点应作用：判断模型的适用性若模型选择的正确，残差图中的点应该分布在以横轴为中心的带形区域该分布在以横轴为中心的带形区域.下面表格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。下面表格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。编号编号12345678身高身高/cm165165157170175165155170体重体重/kg4857505464614359残差残差-6.3732.6272.419-4.6181.1376.627-2.8830.382残差图的制作及作

11、用。残差图的制作及作用。坐标纵轴为残差变量，横轴可以有不同的选择；坐标纵轴为残差变量，横轴可以有不同的选择；若模型选择的正确，残差图中的点应该分布在以横轴若模型选择的正确，残差图中的点应该分布在以横轴为心的带形区域为心的带形区域；对于远离横轴的点，要特别注意对于远离横轴的点，要特别注意。身高与体重残差图异常点 错误数据 模型问题 几点说明：几点说明：第一个样本点和第第一个样本点和第6个样本点的残差比较大，需要确认在采集过程中是否有人为的错误。个样本点的残差比较大，需要确认在采集过程中是否有人为的错误。如果数据采集有错误，就予以纠正，然后再重新利用线性回归模型拟合数据；如果数据采如果数据采集有错

12、误，就予以纠正，然后再重新利用线性回归模型拟合数据；如果数据采集没有错误，则需要寻找其他的原因。集没有错误，则需要寻找其他的原因。另外，残差点比较均匀地落在水平的带状区域中，说明选用的模型计较合适，这样的带另外，残差点比较均匀地落在水平的带状区域中，说明选用的模型计较合适，这样的带状区域的宽度越窄，说明模型拟合精度越高，回归方程的预报精度越高。状区域的宽度越窄，说明模型拟合精度越高，回归方程的预报精度越高。误差与残差，这两个概念在某程度上具有很大的相似性，误差与残差，这两个概念在某程度上具有很大的相似性，都是衡量不确定性的指标，可是两者又存在区别。都是衡量不确定性的指标，可是两者又存在区别。误

13、差与测量有关，误差大小可以衡量测量的准确性，误差误差与测量有关，误差大小可以衡量测量的准确性，误差越大则表示测量越不准确。误差分为两类：系统误差与越大则表示测量越不准确。误差分为两类：系统误差与随机误差。其中，系统误差与测量方案有关，通过改进测随机误差。其中，系统误差与测量方案有关，通过改进测量方案可以避免系统误差。随机误差与观测者，测量工具，量方案可以避免系统误差。随机误差与观测者，测量工具，被观测物体的性质有关，只能尽量减小，却不能避免被观测物体的性质有关，只能尽量减小，却不能避免。残差残差与预测有关，残差大小可以衡量预测的准确性。与预测有关，残差大小可以衡量预测的准确性。残差越大表示预测

14、越不准确。残差与数据本身的分布特性，残差越大表示预测越不准确。残差与数据本身的分布特性，回归方程的选择有关。回归方程的选择有关。显然，显然，R2的值越大，说明残差平方和越小，也就是说模型拟合效果越好。的值越大，说明残差平方和越小，也就是说模型拟合效果越好。在线性回归模型中，在线性回归模型中，R2表示解析变量对预报变量变化的贡献率。表示解析变量对预报变量变化的贡献率。R2越接近越接近1，表示回归的效果越好（因为，表示回归的效果越好（因为R2越接近越接近1，表示解析变量和预报变量的，表示解析变量和预报变量的线性相关性越强）线性相关性越强）。如果某组数据可能采取几种不同回归方程进行回归分析，则可以通

15、过比较如果某组数据可能采取几种不同回归方程进行回归分析，则可以通过比较R2的值的值来做出选择，即选取来做出选择，即选取R2较大的模型作为这组数据的模型。较大的模型作为这组数据的模型。注：相关指数注：相关指数R R2 2是度量模型拟合效果的一种指标。在线性模型中，它代表是度量模型拟合效果的一种指标。在线性模型中，它代表自变量刻画预报变量的能力。自变量刻画预报变量的能力。（2）我们可以用相关指数）我们可以用相关指数R2来刻画回归的效果，其计算公式是来刻画回归的效果，其计算公式是相关系数相关系数相关系数的性质相关系数的性质(1)|r|1(1)|r|1(2)|r|(2)|r|越接近于越接近于1 1，相

16、关程度越强；，相关程度越强；|r|r|越接近于越接近于0 0，相关，相关程度越弱程度越弱注注:b:b 与与 r r 同号同号问题：达到怎样程度，问题：达到怎样程度，x x、y y线性相关呢？它们的相关程线性相关呢？它们的相关程度怎样呢？度怎样呢？相关系数相关系数正相关；负相关正相关；负相关通常：通常：r r-1,-1,-0.75-0.75-负相关很强负相关很强;r r0.75,10.75,1正相关很强正相关很强;r r-0.75,-0.3-0.75,-0.3-负相关一般负相关一般;r r0.3,0.750.3,0.75正相关一般正相关一般;r r-0.25,-0.25,0.25-0.25-相关

17、性较弱相关性较弱;对对r r进行显进行显著性检验著性检验 一般地，建立回归模型的基本步骤为：一般地，建立回归模型的基本步骤为：（1）确定研究对象，明确哪个变量是解析变量，哪个变量是预报变量。）确定研究对象，明确哪个变量是解析变量，哪个变量是预报变量。（2）画出确定好的解析变量和预报变量的散点图，观察它们之间的关系）画出确定好的解析变量和预报变量的散点图，观察它们之间的关系 （如是否存在线性关系等）。（如是否存在线性关系等）。（3）由经验确定回归方程的类型（如我们观察到数据呈线性关系，则选用线）由经验确定回归方程的类型（如我们观察到数据呈线性关系，则选用线性回归方程性回归方程y=bx+a）.（4

18、）按一定规则估计回归方程中的参数（如最小二乘法）。）按一定规则估计回归方程中的参数（如最小二乘法）。（5）得出结果后分析残差图是否有异常（个别数据对应残差过大，或残差呈现）得出结果后分析残差图是否有异常（个别数据对应残差过大，或残差呈现不随机的规律性，等等），过存在异常，则检查数据是否有误，或模型是否合适不随机的规律性，等等），过存在异常，则检查数据是否有误，或模型是否合适等。等。问题：归纳建立回归模型的基本步骤问题：归纳建立回归模型的基本步骤问题六：若两个变量呈现非线性关系，如何解决？问题六：若两个变量呈现非线性关系，如何解决？（分析例（分析例3）例例3 一只红铃虫的产卵数一只红铃虫的产卵数

19、y和温度和温度x有关。现收集了有关。现收集了7组观测数据列于表中：组观测数据列于表中：温度温度xoC21232527293235产卵数产卵数y/个个711212466115325（1 1）试建立产卵数）试建立产卵数y y与温度与温度x x之间的回归方程；并预测温度为之间的回归方程；并预测温度为2828o oC C时产卵数目。时产卵数目。（2 2）你所建立的模型中温度在多大程度上解释了产卵数的变化？）你所建立的模型中温度在多大程度上解释了产卵数的变化？选变量选变量 解：选取气温为解释变量解：选取气温为解释变量x x，产卵数产卵数 为预报变量为预报变量y y。画散点图画散点图假设线性回归方程为假设

20、线性回归方程为：=bx+a选选 模模 型型分析和预测分析和预测当当x=28时，时，y=19.8728-463.73 93估计参数估计参数由计算器得：线性回归方程为由计算器得：线性回归方程为y=y=19.8719.87x x-463.73-463.73 相关指数相关指数R R2 2=r r2 20.8640.8642 2=0.7464=0.7464所以，一次函数模型中温度解释了所以，一次函数模型中温度解释了74.64%的产卵数变化。的产卵数变化。050100150200250300350036912151821242730333639当当x=28时，时，y=19.8728-463.73 93方方

21、法法一一：一一元元函函数数模模型型 y=c1 x2+c2 变换变换 y=c1 t+c2 非线性关系非线性关系 线性关系线性关系问题问题选用选用y=c1x2+c2，还是还是y=c1x2+cx+c2？问题问题3 产卵数产卵数气气温温问题问题2如何求如何求c1、c2？t=x2方方法法二二，二二元元函函数数模模型型平方变换平方变换：令令t=xt=x2 2，产卵数产卵数y y和温度和温度x x之间二次函数模型之间二次函数模型y=bxy=bx2 2+a+a就转化就转化为产卵数为产卵数y y和温度的平方和温度的平方t t之间线性回归模型之间线性回归模型y=y=bt+abt+a温度温度212325272932

22、35温度的平方温度的平方t44152962572984110241225产卵数产卵数y/个个711212466115325作作散散点点图图，并并由由计计算算器器得得：y y和和t t之之间间的的线线性性回回归归方方程程为为y=y=0.3670.367t t-202.54-202.54，相关指数相关指数R R2 2=r r2 20.8960.8962 2=0.802=0.802将将t=xt=x2 2代入线性回归方程得：代入线性回归方程得：y=y=0.3670.367x x2 2-202.54-202.54当当x x=28=28时时，y y=0.367=0.36728282 2-202.54852

23、02.5485，且，且R R2 2=0.802=0.802，所以，二次函数模型中温度解所以，二次函数模型中温度解释了释了80.2%80.2%的产卵数变化。的产卵数变化。t产卵数产卵数气气温温 变换变换 y=bx+a 非线性关系非线性关系 线性关系线性关系对数对数方法三：指数函数模型温度温度x/21232527Z=lny1.9462.3983.4053.178产卵数y/个71121242932354.1904.745 5.78466115325由计算器得：由计算器得：z关于关于x的线性回归方程的线性回归方程相关指数相关指数 因此因此y关于关于x的非线性回的非线性回归方程为归方程为当当x=28 时

24、，时，y 44，指数回归模型中温度解释了，指数回归模型中温度解释了98%的产卵数的变化的产卵数的变化函数模型函数模型相关指数相关指数R2线性回归模型线性回归模型0.7464二次函数模型二次函数模型0.802指数函数模型指数函数模型0.98最好的模型是哪个最好的模型是哪个?显然，指数函数模型最好！显然，指数函数模型最好！利用残差计算公式：利用残差计算公式：77.968-58.265-40.104-41.000-5.83219.40047.69634.675-13.3819.230-8.9501.875-0.1010.557325115662421117Y35322927252321X由残差平方和

25、：由残差平方和：故指数函数模型的拟合效果比二次函数的模拟效果好故指数函数模型的拟合效果比二次函数的模拟效果好.或由条件或由条件R2分别为分别为0.98和和0.80，同样可得它们的效果，同样可得它们的效果.在散点图中，样本点没有分布在某个带状区域内，因此在散点图中，样本点没有分布在某个带状区域内，因此两个变量不呈现线性相关关系，所以不能直接利用线性两个变量不呈现线性相关关系，所以不能直接利用线性回归方程来建立两个变量之间的关系回归方程来建立两个变量之间的关系.令令z=lny，则变换后样本点应该分布在直线，则变换后样本点应该分布在直线z=bx+a（a=lnc1，b=c2）的周围）的周围.利用线性回归模型建立利用线性回归模型建立y和和x之间的非线性回归方程之间的非线性回归方程.当回归方程不是形如当回归方程不是形如y=bx+a时，我们称之为时，我们称之为非线性回归方非线性回归方程程.根据已有的函数知识，可以发现样本点分布在某一条指根据已有的函数知识，可以发现样本点分布在某一条指数函数曲线数函数曲线 的周围，其中的周围，其中c1和和c2是待定参数是待定参数.