3.2 回归分析(1)
1 §3.2 回归分析(1) 教学目标 （1）通过实例引入线性回归模型，感受产生随机误差的原因； （2）通过对回归模型的合理性等问题的研究，渗透线性回归分析的思想和方法； （3）能求出简单实际问题的线性回归方程． 教学重点，难点 线性回归模型的建立和线性回归系数的最佳估计值的探求方法． 教学过程 一．问题情境 1． 情境：对一作直线运动的质点的运动过程观测了8次，得到如下表所示的数据，试估计当x=９时的位置y的值． 时刻x/s 1 2 3 4 5 6 7 8 位置观测值y/cm 5.54 7.52 10.02 11.73 15.69 16.12 16.98 21.06
根据《数学3（必修）》中的有关内容，解决这个问题的方法是： 先作散点图，如下图所示：
从散点图中可以看出，样本点呈直线趋势，时间x与位置观测值y之间有着较好的线性关系．因此可以用线性回归方程来刻画它们之间的关系．根据线性回归的系数公式，
1221()niiiniixynxybxnxaybx
可以得到线性回归方为3.53612.1214yx，所以当9x时，由线性回归方程可以估计其位置值为22.6287y 2．问题：在时刻9x时，质点的运动位置一定是22.6287cm吗？ 二．学生活动 思考，讨论：这些点并不都在同一条直线上，上述直线并不能精确地反映x与y之间的关系，y的值不能由x完全确定，它们之间是统计相关关系，y的实际值与估计值之间存在着误差． 三．建构数学 1．线性回归模型的定义：
我们将用于估计y值的线性函数abx作为确定性函数； y的实际值与估计值之间的误差记为，称之为随机误差；
将yabx称为线性回归模型． 2
说明：（1）产生随机误差的主要原因有： ①所用的确定性函数不恰当引起的误差； ②忽略了某些因素的影响； ③存在观测误差． （2）对于线性回归模型，我们应该考虑下面两个问题： ①模型是否合理（这个问题在下一节课解决）； ②在模型合理的情况下，如何估计a，b？ 2．探求线性回归系数的最佳估计值：
对于问题②，设有n对观测数据(,)iixy(1,2,3,,)in，根据线性回归模型，对于
每一个ix，对应的随机误差项()iiiyabx，我们希望总误差越小越好，即要使21nii
越小越好．所以，只要求出使21(,)()niiiQyx取得最小值时的，值作为a，b的估计值，记为a，b． 注：这里的i就是拟合直线上的点,iixabx到点,iiiPxy的距离．
用什么方法求a，b？ 回忆《数学3（必修）》“2．4线性回归方程”P71“热茶问题”中求a，b的方法：最小二乘法．
利用最小二乘法可以得到a，b的计算公式为
1122211()()()()nniiiiiinniiiixxyyxynxybxxxnxaybx
，
其中11niixxn，11niiyyn 由此得到的直线yabx就称为这n对数据的回归直线，此直线方程即为线性回归方程．其中a，b分别为a，b的估计值，a称为回归截距，b称为回归系数，y称为回归值． 在前面质点运动的线性回归方程3.53612.1214yx中，3.5361a，2.1214b．
3． 线性回归方程yabx中a，b的意义是：以a为基数，x每增加1个单位，y相应地 3
平均增加b个单位； 4． 化归思想（转化思想） 在实际问题中，有时两个变量之间的关系并不是线性关系，这就需要我们根据专业知识或散点图，对某些特殊的非线性关系，选择适当的变量代换，把非线性方程转化为线性回归方程，从而确定未知参数．下面列举出一些常见的曲线方程，并给出相应的化为线性回归方程的换元公式．
（1）byax，令'yy，1'xx，则有''yabx．
（2）byax，令'lnyy，'lnxx，'lnaa，则有'''yabx． （3）bxyae，令'lnyy，'xx，'lnaa，则有'''yabx．
（4）bxyae，令'lnyy，1'xx，'lnaa，则有'''yabx． （5）lnyabx，令'yy，'lnxx，则有''yabx． 四．数学运用 1．例题： 例1．下表给出了我国从1949年至1999年人口数据资料，试根据表中数据估计我国2004年的人口数．
年份 1949 1954 1959 1964 1969 1974 1979 1984 1989 1994 1999 人口数/百万 542 603 672 705 807 909 975 1035 1107 1177 1246
解：为了简化数据，先将年份减去1949，并将所得值用x表示，对应人口数用y表示，得到下面的数据表： x 0 5 10 15 20 25 30 35 40 45 50
y 542 603 672 705 807 909 975 1035 1107 1177 1246
作出11个点,xy构成的散点图，
由图可知，这些点在一条直线附近，可以用线性回归模型yabx来表示它们之间的关系． 根据公式（1）可得
14.453,527.591.ba
这里的,ab分别为,ab的估 计值，因此线性回归方程 为527.59114.453yx 4
由于2004年对应的55x,代入线性回归方程527.59114.453yx可得1322.50y（百万），即2004年的人口总数估计为13.23亿.
例2． 某地区对本地的企业进行了一次抽样调查，下表是这次抽查中所得到的各企业的人均资本x（万元）与人均产出y（万元）的数据： 人均 资本 x/万元
3 4 5.5 6.5 7 8 9 10.5 11.5 14
人均 产出 y/万元
4.12 4.67 8.68 11.01 13.04 14.43 17.50 25.46 26.66 45.20
（1）设y与x之间具有近似关系byax（,ab为常数），试根据表中数据估计a和b的值； （2）估计企业人均资本为16万元时的人均产出（精确到0.01）． 分析：根据x，y所具有的关系可知，此问题不是线性回归问题，不能直接用线性回归方
程处理．但由对数运算的性质可知，只要对byax的两边取对数，就能将其转化为线性关系． 解（1）在byax的两边取常用对数，可得lglglgyabx，设lgyz，lgaA，
lgxX，则zAbX．相关数据计算如图327所示．
仿照问题情境可得A，b的估计值A，b分别为0.2155,1.5677,Ab由lg0.2155a可得0.6088a，即a，b的估计值分别为0.6088和1.5677．
（2）由（1）知1.56770.6088yx．样本数据及回归曲线的图形如图328（见书本102P 页） 当16x时，1.56770.60881647.01y（万元），故当企业人均资本为16万元时，人均产值约为47.01万元．
A B C D E F G H I J K 1 人均资本x/万元 3 4 5.5 6.5 7 8 9 10.5 11.5 14
2 人均产出y/万元 4.12 4.67 8.68 11.01 13.04 14.43 17.5 25.46 26.66 45.2 3 lgXx 0.47712 0.60206 0.74036 0.81291 0.8451 0.90309 0.95424 1.02119 1.0607 1.14613
4 lgzy 0.6149 0.66932 0.93852 1.04179 1.11528 1.15927 1.24304 1.40586 1.42586 1.65514 5
2．练习：104P练习第1题． 五．回顾小结： 1． 线性回归模型yabx与确定性函数yabx相比，它表示y与x之间是统计相关关系（非确定性关系）其中的随机误差提供了选择模型的准则以及在模型合理的情况下探求最佳估计值a，b的工具； 2． 线性回归方程yabx中a，b的意义是：以a为基数，x每增加1个单位，y相应地平均增加b个单位； 3．求线性回归方程的基本步骤． 六．课外作业：106P第2题．
回归分析考试试题及答案
回归分析考试试题及答案一、单项选择题（每题2分，共20分）1. 回归分析中，自变量和因变量之间的关系是（）。
A. 确定性关系B. 函数关系C. 相关关系D. 因果关系答案：C2. 简单线性回归模型中，回归系数的估计值是通过（）方法得到的。
A. 最小二乘法B. 最大似然法C. 贝叶斯方法D. 决策树方法答案：A3. 在多元线性回归分析中，如果自变量之间存在完全相关关系，则会导致（）。
A. 多重共线性B. 异方差性C. 自相关D. 非线性答案：A4. 回归分析中，残差平方和（SSE）是用来衡量（）的。
A. 模型的拟合优度B. 模型的预测能力C. 模型的解释能力D. 模型的预测误差答案：D5. 回归方程的显著性检验中，F检验的零假设是（）。
A. 所有回归系数都等于0B. 所有回归系数都不等于0C. 至少有一个回归系数等于0D. 至少有一个回归系数不等于0答案：A6. 回归分析中，调整后的R平方（Adjusted R-squared）用于（）。
A. 调整模型的复杂性B. 调整样本量的大小C. 调整自变量的数量D. 调整因变量的范围答案：C7. 在回归分析中，如果自变量的增加导致因变量的增加，则称自变量和因变量之间存在（）。
A. 正相关B. 负相关C. 无相关D. 完全相关答案：A8. 回归分析中，残差的标准差（S）是用来衡量（）的。
A. 模型的拟合优度B. 模型的预测能力C. 模型的解释能力D. 模型的预测误差答案：D9. 在多元线性回归中，如果一个自变量的t统计量显著，那么我们可以得出结论（）。
A. 该自变量对因变量有显著影响B. 该自变量对因变量没有显著影响C. 该自变量对因变量的影响不明确D. 该自变量对因变量的影响是正的答案：A10. 回归分析中，Durbin-Watson统计量用于检测（）。
A. 多重共线性B. 异方差性C. 自相关D. 非线性答案：C二、多项选择题（每题3分，共15分）11. 以下哪些因素可能导致回归模型中的异方差性？（）A. 模型中遗漏了重要的解释变量B. 模型中包含了不应该包含的变量C. 模型中的误差项不是独立同分布的D. 模型中的误差项具有非恒定的方差答案：CD12. 在回归分析中，以下哪些方法可以用来处理多重共线性问题？（）A. 增加样本量B. 移除相关性高的自变量C. 使用岭回归D. 增加更多的自变量答案：BC13. 以下哪些是回归分析中常用的诊断图？（）A. 残差图B. 正态Q-Q图C. 散点图D. 杠杆值图答案：ABD14. 在回归分析中，以下哪些因素可能导致模型的预测能力下降？（）A. 模型过拟合B. 模型欠拟合C. 模型中的误差项具有自相关性D. 模型中的误差项具有异方差性答案：ABCD15. 以下哪些是回归分析中常用的模型选择标准？（）A. AIC（赤池信息准则）B. BIC（贝叶斯信息准则）C. R平方D. 调整后的R平方答案：ABCD三、简答题（每题10分，共30分）16. 简述简单线性回归模型的基本形式。
计量经济学(庞皓)第二版课后思考题答案3
答：多元线性回归分析中，多重可决系数是模型中解释变量个数的增函数，这给对比不同模 型的多重可决系数带来缺陷，所以需要修正。可决系数只涉及变差，没有考虑自由度。如果 用自由度去校正所计算的变差，可纠正解释变量个数不同引起的对比困难。 联系：由方差分析可以看出，F 检验与可决系数有密切联系，二者都建立在对应变量变 差分解的基础上。F 统计量也可通过可决系数计算。对方程联合显著性检验的 F 检验，实际 F 检验有精确的分布， 上也是对可决系数的显著性检验。区别： 它可以在给定显著性水平下， 给出统计意义上严格的结论。可决系数只能提供一个模糊的推测，可决系数越大，模型对数 据的拟合程度就越好。但要大到什么程度才算模型拟合得好，并没有一个绝对的数量标准。 3.5 什么是方差分析？对被解释变量的方差分析与对模型拟合优度的度量有什么联系和区 别？ 答：被解释变量 Y 观测值的总变差分解式为： TSS = ESS + RSS 。将自由度考虑进去进行 方差分析，即得如下方差分析表： 变差来源 源于回归 源于残差 总变差
Y = b1 + β 2 X 2 + β3 X 3 + β 4 X 4 + u
其中，Y 为汽车销售量，X2 为居民收入， X3 为汽车价格， X4 为汽油价格，像其他费用、 道路状况、政策环境等次要因素包含在随机误差项 u 中。 3.9 说明用 Eviews 完成多元线性回归分析的具体操作步骤。 答：1、建立工作文件，建立一个 Group 对象，输入数据。 2、点击 Quick 下拉菜单中的 Estimate Equation。 3、在对话框 Equation Specification 栏中键入 Y C X2 X3 X4 ，点击 OK，即出现回归结 果。
而当 X 2 和 X 3 相互独立时， X 2 和 X 3 的斜方差等于零，即：
回归模型在统计分析中的应用
回归模型在统计分析中的应用摘要在人们研究对象的内在特性和个因素间的关系时，通常会建立数学模型。
在无法分析实际对象内在的因果关系时，往往会基于对数据的统计分析去建立模型。
回归分析作为统计数据寻求变量间关系的近似表达式的一种方法，其广泛用途使得回归模型成为了数据统计分析中的一种常见模型。
本论文分别从数学模型，回归分析，统计分析等的基本概念出发，进一步阐述了数学建模的基本方法和一般步骤，回归分析的基本模型、步骤和分类，以及统计分析的步骤。
最后借用MATLAB软件，以一个关于人们对某种品牌食品的评价的实例，用合理的步骤详细描述了在解决回归模型在统计分析中的应用的问题中该如何具体去做。
关键词：数学模型；统计分析；回归分析；回归模型；MATLAB软件APPLICATION OF REGRESSION MODEL INSTATISTICAL ANALYSISABSTRACTIn the process of researching the relationship between the inner characteristics and factors of the object，people usually build mathematical model. In the case of the inner causality that people can not analyse of actual object，we often to build model based on statistical analysis of data. As a method for seeking a approximate expressions of the statistical data,the wide applications of regression analysis made regression model become a common model in statistical analysis of data.This paper starts from the the basic concept such as the mathematicalmodel,regression analysis and statistical analysis.Then further elaborated the basic methods and general steps of mathematical modeling, the basic model, steps and classification of regression analysis, and the steps of statistical analysis. Finally, applying MATLAB software,using reasonable steps to describe how to solve the problem that the application of regression models in statistical analysis in detail,by using a example about people's evaluation towards a certain brand of food.Key words: mathematical model; statistical analysis; regression analysis;regression model; MATLAB software目录1 问题的提出-------------------------------------------------------- 12 数学模型与数学建模------------------------------------------------ 22.1 基本概念---------------------------------------------------- 22.2 数学建模的基本方法------------------------------------------ 22.2 数学建模的一般步骤------------------------------------------ 23 回归分析与回归模型------------------------------------------------ 43.1 基本概念---------------------------------------------------- 43.2 刻画回归模型------------------------------------------------ 43.3 回归分析的步骤---------------------------------------------- 43.4 回归分析的分类---------------------------------------------- 54 统计分析---------------------------------------------------------- 64.1 基本概念---------------------------------------------------- 64.2 统计分析的步骤---------------------------------------------- 65 一个线性回归模型实例---------------------------------------------- 75.1 问题的提出-------------------------------------------------- 75.2 分析与假设-------------------------------------------------- 75.3 模型建立---------------------------------------------------- 85.4 模型求解---------------------------------------------------- 85.5 结果分析---------------------------------------------------- 85.5.1 输出数据结果------------------------------------------- 95.5.2 模型检验----------------------------------------------- 95.5.3 解决提出的三个问题------------------------------------- 96 结论------------------------------------------------------------- 14 参考文献----------------------------------------------------------- 15附录--------------------------------------------------------------- 161 问题的提出当人们在研究对象的内在特性和各因素间的关系时，通常会寻求变量间的一个具体表达式，采用机理分析方法建立数学模型。
回归分析
,
,
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。
应用回归分析,第3章课后习题参考答案
第3章 多元线性回归思考与练习参考答案3.2 讨论样本容量n 与自变量个数p 的关系，它们对模型的参数估计有何影响？答：在多元线性回归模型中，样本容量n 与自变量个数p 的关系是：n>>p 。
如果n<=p 对模型的参数估计会带来很严重的影响。
因为： 1. 在多元线性回归模型中，有p+1个待估参数β，所以样本容量的个数应该大于解释变量的个数，否则参数无法估计。
2. 解释变量X 是确定性变量，要求()1rank p n =+<X ，表明设计矩阵X 中的自变量列之间不相关，即矩阵X 是一个满秩矩阵。
若()1rank p <+X ，则解释变量之间线性相关，1()X X -'是奇异阵，则β的估计不稳定。
3.3证明随机误差项ε的方差σ2的无偏估计。
证明:22122222111112221111ˆ(),111()()(1)(1)()(1)1ˆ()()1n i i n n nnnii ii iiii i i i i i ni i SSE e e e n p n p n p E e D e h h n h n p E E e n p σσσσσσσ======='===------∴==-=-=-=--∴==--∑∑∑∑∑∑∑3.4 一个回归方程的复相关系数R=0.99，样本决定系数R 2=0.9801，我们能判断这个回归方程就很理想吗？ 答：不能断定这个回归方程理想。
因为：1. 在样本容量较少，变量个数较大时，决定系数的值容易接近1，而此时可能F 检验或者关于回归系数的t 检验，所建立的回归方()1ˆ2--=p n SSE σ程都没能通过。
2. 样本决定系数和复相关系数接近于1只能说明Y 与自变量X1,X2,…,Xp 整体上的线性关系成立，而不能判断回归方程和每个自变量是显著的，还需进行F 检验和t 检验。
3. 在应用过程中发现，在样本容量一定的情况下，如果在模型中增加解释变量必定使得自由度减少，使得 R 2往往增大，因此增加解释变量（尤其是不显著的解释变量）个数引起的R 2的增大与拟合好坏无关。
《回归分析》教学大纲
回归分析RegressionAna1ysis一、课程基本信息课程编号：111093适用专业：统计学专业课程性质：专业必修开课单位：数学与数据科学学院学时：48（理论学时40；实验学时8）学分：3考核方式：考试（平时成绩占30%+考试成绩70%）中文简介：回归分析是应用统计学中一个重要的分支，在自然科学、管理科学和社会经济等领域应用十分广泛。
《回归分析》课程是统计学专业的学科专业必修课是学生掌握统计学的基本思想、理论和方法的主要课程，是培养学生熟练应用计算机软件处理统计数据的能力的基础课程。
通过本课程的学习，使学生掌握应用统计的一些基本理论与方法，初步掌握利用回归分析解决实际问题的能力。
二、教学目的与要求本课程的主要目的是学生在学习后，能够系统掌握回归分析的理论与方法，并在此基础上，掌握回归分析应用的艺术技巧，并利用其分析认识实际问题。
本课程注重回归分析的基本理论与方法，同时通过案例教学与实际应用来剖析回归分析的理论与方法所蕴含的统计思想及其应用艺术。
教学中在回归分析理论与方法的基础上结合社会、经济、自然学科学领域的研究实例，把回归分析方法与实际应用结合起来，注重定性分析与定量分析的紧密结合，强调每种方法的优缺点和实际运用中应注意的问题,研究与实践中应用回归分析的经验和体会融入其中，使学生充分体会到回归分析的应用艺术，并提高解决问题的能力。
通过本课程的学习，在理论教学过程中，可以结合国内外回归分析相关学者的研究经历和成果，传播科学研究所需要的实事求是、脚踏实地的精神，培养学生的科学素养。
在实践教学中，利用案例分析、软件仿真等方式培养学生的实践能力和创新思维，激发学生主动研究新问题和设计新方法的兴趣，让学生在实践中深刻体会科学研究的乐趣，也可以鼓励有突出能力的学生通过创新创业或成果转化为社会发展贡献年轻的力量。
三、教学方法与手段1.教学方法：课堂讲授中要重点对基本概念、基本方法和解题思路的讲解；采用启发式教学，培养学生思考问题、分析问题和解决问题的能力；引导和鼓励学生通过实践和自学获取知识，培养学生的自学能力和创新能力。
数学建模-回归分析
一、变量之间的两种关系 1、函数关系：y = f (x) 。
2、相关关系：X ，Y 之间有联系，但由 其中一个不能唯一的确定另一个的值。 如： 年龄 X ，血压 Y ； 单位成本 X ，产量 Y ； 高考成绩 X ，大学成绩 Y ； 身高 X ，体重 Y 等等。
二、研究相关关系的内容有
1、相关分析——相关方向及程度（第九章）。 增大而增大——正相关； 增大而减小——负相关。 2、回归分析——模拟相关变量之间的内在 联系，建立相关变量间的近似表达式 （经验 公式）（第八章）。 相关程度强，经验公式的有效性就强， 反之就弱。
三、一般曲线性模型 1、一般一元曲线模型
y = f ( x) + ε
对于此类模型的转换，可用泰勒展开 公式，把 在零点展开，再做简单的变 f ( x) 换可以得到多元线性回归模型。 2、一般多元曲线模型
y = f ( x1 , x2源自,⋯ , xm ) + ε
对于此类模型也要尽量转化为线性模 型，具体可参考其他统计软件书，这里不 做介绍。
ˆ ˆ ˆ ˆ y = b0 + b1 x1 + ⋯ + bm x m
2、利用平方和分解得到 ST , S回 , S剩。 3、计算模型拟合度 S ，R ，R 。 （1）标准误差（或标准残差）
S =
S剩 ( n − m − 1)
当 S 越大，拟合越差，反之，S 越小， 拟合越好。 （2）复相关函数
R =
2
仍是 R 越大拟合越好。 注： a、修正的原因：R 的大小与变量的个数以及样本 个数有关； 比 R 要常用。 R b、S 和 R 是对拟合程度进行评价，但S与 R 的分 布没有给出，故不能用于检验。 用处：在多种回归模型（线性，非线性）时， 用来比较那种最好；如：通过回归方程显著性检验 得到：
回归分析实验报告
回归分析实验报告实验报告：回归分析摘要：回归分析是一种用于探究变量之间关系的数学模型。
本实验以地气温和电力消耗量数据为例，运用回归分析方法，建立了气温和电力消耗量之间的线性回归模型，并对模型进行了评估和预测。
实验结果表明，气温对电力消耗量具有显著的影响，模型能够很好地解释二者之间的关系。
1.引言回归分析是一种用于探究变量之间关系的统计方法，它通常用于预测或解释一个变量因另一个或多个变量而变化的程度。
回归分析陶冶于20世纪初，经过不断的发展和完善，成为了数量宏大且复杂的数据分析的重要工具。
本实验旨在通过回归分析方法，探究气温与电力消耗量之间的关系，并基于建立的线性回归模型进行预测。
2.实验设计与数据收集本实验选择地的气温和电力消耗量作为研究对象，数据选取了一段时间内每天的气温和对应的电力消耗量。
数据的收集方法包括了实地观测和数据记录，并在数据整理过程中进行了数据的筛选与清洗。
3.数据分析与模型建立为了探究气温与电力消耗量之间的关系，需要建立一个合适的数学模型。
根据回归分析的基本原理，我们初步假设气温与电力消耗量之间的关系是线性的。
因此，我们选用了简单线性回归模型进行分析，并通过最小二乘法对模型进行了估计。
运用统计软件对数据进行处理，并进行了以下分析：1)描述性统计分析：计算了气温和电力消耗量的平均值、标准差和相关系数等。
2)直线拟合与评估：运用最小二乘法拟合出了气温对电力消耗量的线性回归模型，并进行了模型的评估，包括了相关系数、残差分析等。
3)预测分析：基于建立的模型，进行了其中一未来日期的电力消耗量的预测，并给出了预测结果的置信区间。
4.结果与讨论根据实验数据的分析结果，我们得到了以下结论：1)在地的气温与电力消耗量之间存在着显著的线性关系，相关系数为0.75，表明二者之间的关系较为紧密。
2)构建的线性回归模型：电力消耗量=2.5+0.3*气温，模型参数的显著性检验结果为t=3.2，p<0.05，表明回归系数是显著的。
回归诊断
-1.05
3
140
5.3
4.27143 1.02857
4
120
4
3.40179 0.59821
5
180
6.55
6.01071 0.53929
6
100
2.15
2.53214 -0.38214
7
200
6.6
6.88036 -0.28036
8
160
5.75
5.14107 0.60893
由上述数据，可得 y 关于 x 的一元线性回归方程
n
hii hi2j hi2i hi2j hi2j 0
j 1
ji
ji
故有： hii hi2i ，由此可得。
n
（2） hii tr(I H ) tr( X ( X X )1 X ) tr(( X X )1 X X ) t 1
i 1
一般情况下：
hii
1 n
(xi
x)' L1(xi
• 其次，必须确定“度量影响的尺度是什么？”为了定量 地刻划影响的大小，迄今为止已提出多种尺度，基于置 信域的尺度，基于似然函数的尺度等等。在每一种类型 中又可能有不同的统计量，例如基于影响函数就已提出 多种“距离”来度量影响，有Cook距离、Welsch Kuh距离、Welsch距离等等。每一种度量都是着眼于某 一方面的影响，并在某种具体场合下较为有效。这一方 面反映了度量影响问题的复杂性，另一方面也说明了影 响分析的研究在统计诊断中是一个甚为活跃的方向，还 有大量有待解决的问题。
置。
M，c 常用的选择： M X X , c (t 1)s 2 ，此时，有：
Di
(M ,c)
ri2
何晓群：《应用回归分析》第四版-第三章多元线性回归
由 y X 及正态假定 ~ N (0, 2In ) , 有
y ~ N ( X , 2 In )
于是, 似然函数为
L
(2
)n/ 2 (
2
)n / 2
exp{
1
2
2
(
y
X
)'(
y
X
)}
对数似然函数为
ln
L
n 2
ln(2
)
n 2
ln(
2
)
1
2
2
(
y
北京 天津 河北 山西 内蒙古 辽宁 吉林 黑龙江 上海 江苏 浙江 安徽 福建 江西 山东 河南 湖北 湖南 广东 广西 海南
x1 1.94 0.33 6.16 5.35 3.78 11.2 2.84 8.64 3.64 30.9 6.26 4.13 5.85
6.7 10.8 4.16 4.64 7.08 16.3 4.01
(3.23)
为 yi 的残差. 称 e (e1,e2 ,,en )' y yˆ 为回归残差向量. 有
e y Hy (I H ) y
e y Hy (I H ) y 记
cov(e, e) (cov(ei , e j ))nn 为残差向量 e 的协方差阵, 或称为方差阵. 记为D(e).
yn 0 1 xn1 2 xn2 p xnp n
(3.4)
y1 0 1 x11 2 x12 p x1 p 1 y2 0 1 x21 2 x22 p x2 p 2
yn 0 1 xn1 2 xn2 p xnp n