《非线性回归分析》PPT课件

《《非线性回归分析》PPT课件》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、袁克虹办公电话：26032453办公地点:L楼305B邮件：yuankh@sz.tsinghua.edu.cn2011.04.29一元非线性回归分析2回顾-一元一次线性回归步骤：1.观察散点图2.判断是什么关系;3.回归参数计算；4.判断系数；5.显著性检验（注意H0）6.失拟合检验（注意需要的条件）指标评价相关系数，判断系数回归公式显著性检验H0假设的含义；方差分析表；F(1,n-2)失拟合检验条件？F(m-2,n-m)3回归分析内容一元线性步骤：1.观察散点图，2.判断是什么关系，3.回归，4.判断系数；5。显著性检查（注意H0），6.失拟合检验（

2、注意需要的条件）一元非线性带虚拟变量多元线性多元非线性和逐步回归Logistic回归4炼钢厂出钢水时用的钢包，在使用过程中由于钢水及炉渣对耐火材料的浸蚀，其容积不断增大。现在钢包的容积用盛满钢水时的重量y(kg)表示，相应的试验次数用x表示。数据见表，要找出y与x的定量关系表达式。一次非线性回归5钢包的重量y与试验次数x数据序号xy序号xy12106.42811110.5923108.20914110.6034109.581015110.9045109.501116110.7657110.001218111.0068109.931319111.2071

3、0110.49下面我们分三步进行。6确定可能的函数形式为对数据进行分析，首先描出数据的散点图，判断两个变量之间可能的函数关系，图是本例的散点图。观测这13个点构成的散点图，我们可以看到它们并不接近一条直线，用曲线拟合这些点应该是更恰当的，这里就涉及如何选择曲线函数形式的问题。7首先，如果可由专业知识确定回归函数形式，则应尽可能利用专业知识。当若不能有专业知识加以确定函数形式，则可将散点图与一些常见的函数关系的图形进行比较，选择几个可能的函数形式，然后使用统计方法在这些函数形式之间进行比较，最后确定合适的曲线回归方程。为此，必须了解常见的曲线函数的图形，

4、。8本例中，散点图呈现呈现一个明显的向上且上凸的趋势，可能选择的函数关系有很多，比如，我们可以给出如下四个曲线函数：1)1/y=a+b/x2)y=a+blnx3)4)在初步选出可能的函数关系(即方程)后，我们必须解决两个问题：如何估计所选方程中的参数？如何评价所选不同方程的优劣？9对上述非线性函数，参数估计最常用的方法是“线性化”方法。以1/y=a+b/x为例，为了能采用一元线性回归分析方法，我们作如下变换u=1/x,v=1/y则曲线函数就化为如下的直线v=bu这是理论回归函数。对数据而言，回归方程为vi=a+bui+i于是可用一元线性回归的方法估计

5、出a,b。10参数估计计算表11用类似的方法可以得出其它三个曲线回归方程，它们分别是：12曲线回归方程的比较我们上面得到了四个曲线回归方程，通常可采用如下二个指标进行选择。（1）决定系数R2：类似于一元线性回归方程中相关系数，决定系数定义为：R2越大，说明残差越小，回归曲线拟合越好，R2从总体上给出一个拟合好坏程度的度量。13（2）剩余标准差s：类似于一元线性回归中标准差的估计公式，此剩余标准差可用残差平方和来获得，即s为诸观测点yi与由曲线给出的拟合值间的平均偏离程度的度量，s越小，方程越好。14在观测数据给定后，不同的曲线选择不会影响的取值，但会影

6、响到残差平方和的取值。因此，对选择的曲线而言，决定系数和剩余标准差都取决于残差平方和，从而，两种选择准则是一致的，只是从两个不同侧面作出评价。15表给出第一个曲线回归方程的残差平方和的计算过程，由于n=13，，故其决定系数及剩余标准差分别为：其它三个方程的决定系数及剩余标准差可同样计算，我们将它们列在表中。16四种曲线回归决定系数及剩余标准差模型编号(1)(2)(3)(4)R20.97290.87730.78510.9623s0.22850.48640.64370.2696可以看出，第一个曲线方程的决定系数最大，剩余标准差最小，在这四个曲线回归方程中

7、，不论用哪个标准，都是第一个方程拟合得最好。因此，近似得比较好的定量关系式就是17例子18例子19例子20例子21例子由于商品零售额增加，流通费用率呈下降趋势，二者之间为负相关关系，故相关系数取负值为：－0.9898。说明两者高度相关，用双曲线回归模型配合进行预测是可靠的。22例子23本章小节回归分析和相关分析目的不同在回归分析中，寻找的是变量之间的关系，代表这种关系的方程可能就是所期望的结果，也可能是所期望预测的均值。24虚拟变量回归预测25虚拟变量回归预测１．虚拟变量品质变量不像数量变量那样表现为具体的数值。它只能以品质、属性、种类等形式来表现。要

8、在回归模型中引入此类品质变量，必须首先将具有属性性质的品质变量数量化。通常的做法是令某种属性出