道路交通事故多元线性回归模型及其检验方法
交通安全评估模型的构建与应用
交通安全评估模型的构建与应用在现代社会，交通安全是一个至关重要的问题，它关系到人们的生命财产安全以及社会的稳定发展。
为了有效地预防和减少交通事故的发生，提高交通系统的安全性，构建科学合理的交通安全评估模型具有重要的意义。
交通安全评估模型是一种用于分析和预测交通系统中潜在安全风险的工具。
它通过对大量的交通数据进行收集、整理和分析，揭示出交通事故发生的规律和影响因素，从而为交通规划、设计、管理和执法等提供决策支持。
一、交通安全评估模型的构建1、数据收集构建交通安全评估模型的第一步是收集相关的数据。
这些数据包括但不限于交通事故数据、道路几何特征数据、交通流量数据、车辆类型和速度数据、驾驶员行为数据等。
交通事故数据是最为关键的，它包含了事故发生的时间、地点、原因、伤亡情况等详细信息。
道路几何特征数据如道路宽度、坡度、弯道半径等对于评估道路的安全性也非常重要。
交通流量和车辆速度等数据则可以反映交通运行的状况。
2、变量选择在收集到大量的数据后，需要对数据进行筛选和分析，选择与交通安全密切相关的变量。
这些变量可以分为两类：一类是直接影响交通安全的因素，如驾驶员的年龄、性别、驾龄、酒驾情况等；另一类是间接影响交通安全的因素，如道路条件、交通设施、天气状况等。
通过对这些变量的选择和分析，可以建立起变量与交通安全之间的潜在关系。
3、模型选择根据研究的目的和数据的特点，选择合适的模型类型。
常见的交通安全评估模型包括回归模型、决策树模型、神经网络模型等。
回归模型是一种经典的统计模型，它可以用于分析自变量与因变量之间的线性或非线性关系。
决策树模型则能够直观地展示变量之间的分层关系，易于理解和解释。
神经网络模型具有强大的学习能力和预测能力，但解释性相对较差。
4、模型训练在确定了模型类型和变量后，使用收集到的数据对模型进行训练。
训练过程就是通过调整模型的参数，使得模型能够尽可能准确地拟合数据。
在训练过程中，需要对模型进行验证和优化，以确保模型的准确性和可靠性。
我国道路交通事故相关指标预测及安全分析
２０１３年第１０期 （总第２３６期） 黑龙江交通科技 ＨＥＩＬＯＮＧＪｌＡＮＧ ＪｌＡＯＴＯＮＧ ＫＥＪＩ Ｎｏ．１０，２０１３ （Ｓｕｍ Ｎｏ．２３６）
我国道路交通事故相关指标预测及安全分析 张甜，张・陪亚 （中国人民公安大学）
摘要：建立基于回归预测模型对我国未来５年的交通事故相关指标及影响因素进行预测。根据预测的结 果，来分析我国道路交通事故安全状况及潜在问题，并提出相应的对策。 关键词：回归预测模型；交通事故；指标；对策 中图分类号：Ｕ４９２ 文献标识码：Ｃ 文章编号：１００８—３３８３（２０１３）１０—０１９８—０３
０引 言 交通的进步与发展给人类带来了生活便利、经济效益和 社会繁荣，但道路交通事故的频发也给人类带来了灾难。据 统计，我国每５ ｍｉｎ有一人因车祸死亡，每一分钟有一人因 车祸伤残，每天死亡２８０多人，每年死亡１０万多人，车祸死 亡人数占世界１５％，且每年增加４．５％。自１８９９年发生第
一起有记录车祸以来，全球车祸累计死亡３ ０００万人／次，超 过第二次世界大战死亡人数。截至２０１０年，全国机动车保 有量约１．９２亿辆，全国机动车驾驶人约２．０５亿人，全国共 接报道路交通事故３９０多万起，其中，涉及人员伤亡的道路 交通事故约２２万起，造成６５ ２２５人死亡、２５４ ０７５人受伤，直 接财产损失９．３亿元，其中死亡人数占全年各类生产安全事 故死亡人数比例达８２％。道路交通事故已成为当今世界的 一大公害。道路交通事故具有随机性，但从统计角度看，一 个地区在较长时域内发生的交通事故又具有一定的规律性， 因此运用数理统计方法对交通事故总体状况进行研究，分析 发展趋势及其规律，科学地对道路交通事故进行预测，对于 制定交通安全管理目标、提高交通安全管理水平具有十分重 要的意义。 １回归分析模型法 道路交通事故相关指标预测模型是对交通事故变化的 规律进行分析，它是建立在已有事故资料数据基础上，对现 有道路条件下交通事故发展的趋势进行推测。道路交通事 故预测方法主要有：函数拟合法、统计回归分析法、时问序列 分析法、马尔可夫法、灰色预测技术、人工神经网络及其他非 线性预测技术等。本文主要是采用统计回归分析法对交通 事故相关指标进行预测分析。 统计回归分析是一种非常实用的统计方法，应用范围很 广。回归分析在数据分析上的定量功能使之成为统计方法 中常用的方法之一。由于在分析时，回归分析能够生成数学 表达式，故它有着独到的优越性。特别的，回归分析能对数 据进行预测。回归分析的内容十分丰富，包括：线性回归、曲 线估计、非线性回归、逻辑回归、ＣＯＸ回归、概率单位回归等 等。 回归分析法是从被预测变量和与它有关的解释变量之 间的因果关系出发，通过建立回归分析模型，预测对象未来 发展的一种定量方法。回归分析能较好地反映交通事故与 诸影响因素的因果关系，并且能较容易地建立模型和检验预 测结果，因而回归分析技术在交通事故预测中应用最普遍。 但是，回归分析要求样本量大、数据波动不大、规律性强等条 件，否则其预测精度便受到影响。
交通预测模型【对各种交通流预测模型的简要分析】
交通预测模型【对各种交通流预测模型的简要分析】摘要:随着社会的发展，交通事故、交通堵塞、环境污染和能源消耗等问题日趋严重。
多年来，世界各国的城市交通专家提出各种不同的方法，试图缓解交通拥堵问题。
交通流预测在智能交通系统中一直是一个热门的研究领域，几十年来，专家和学者们用各种方法建立了许多相对精确的预测模型。
本文在提出交通流短期预测模型应具备的特性的基础上，讨论了几类主要模型的结果和精确度。
关键词:交通流预测;模型;展望20世纪80年代，我国公路建设项目交通量预测研究尚处于探索成长阶段，交通量预测主要采用个别推算法，又可分为直接法和间接法。
直接法是直接以路段交通量作为研究对象；间接法则是以运输量作为研究对象，最后转换为路段交通量。
进入90年代后，我国的公路建设项目，特别是高速公路建设项目的交通量分析预测多采用“四阶段”预测，该法以机动车出行起讫点调查为基础，包括交通量的生成、交通分布、交通方式选择和交通量分配四个阶段。
几十年来，世界各国的专家和学者利用各学科领域的方法开发出了各种预测模型用于短时交通流预测，总结起来，大概可以分为六类模型：基于统计方法的模型、动态交通分配模型、交通仿真模型、非参数回归模型、神经网络模型、基于混沌理论的模型、综合模型等。
这些模型各有优缺点，下面分别进行分析与评价。
一、基于统计方法的模型这类模型是用数理统计的方法处理交通历史数据。
一般来说统计模型使用历史数据进行预测，它假设未来预测的数据与过去的数据有相同的特性。
研究较早的历史平均模型方法简单，但精度较差，虽然可以在一定程度内解决不同时间、不同时段里的交通流变化问题，但静态的预测有其先天性的不足，因为它不能解决非常规和突发的交通状况。
线性回归模型方法比较成熟，用于交通流预测，所需的检测设备比较简单，数量较少，而且价格低廉，但缺点也很明显，主要是适用性差、实时性不强，单纯依据预先确定的回归方程，由测得的影响交通流的因素进行预测，只适用于特定路段的特定流量范围，且不能及时修正误差。
计数数据分析模型分析碰撞事故
一、请采用计数数据分析模型（Count Data Model），对Crash Frequency.xls文件的数据进行建模分析，并回答以下问题：变量解释：Grade_G为分类变量，代表路段坡度；其余变量为连续变量，分别代表交通周转量（Logvmt）、平均能见度（Visibility）、平均气温（Temperature）、小时降雨量（Precipitation）和平均速度（Speed）。
【解答过程】1. 所采用计数数据分析模型的类型及原因1.1 计数数据模型简述计数数据是指一类取值为非负离散型整数值的数据，一般用于刻画某时间段内某行为或现象的发生次数，是在众多领域中广泛存在的一种数据类型。
由于碰撞数据有其明显特征：一个离散的非负整数、大部分为零、其余值向右倾斜，故常用计数数据建模技术来分析碰撞频率及其影响因素。
碰撞建模中最常用的计数数据模型包括泊松、二项式、负二项式（NB）、零膨胀泊松（ZIP）和零膨胀负二项式（ZINB）等回归模型。
对数据的特征进行初步分析，选择所采用的模型。
1.2 数据描述性统计将Crash Frequency.xls文件导入RStudio，并对其中的各变量进行描述性统计分析，得到的结果如下图所示：图1数据描述性统计结果1.3 计数数据分析模型的选择及原因由图1可以看出，Crash_Freq中均值（1.10）远小于方差（3.80），具有过度离散分布的特点，相比较于其他的离散型分布，负二项分布是用来拟合众多学科领域中的过度离散计数数据应用最广泛的模型之一。
负二项分布可以看作为一种复合泊松－伽马分布，包含两个可调节参数使得其突破了泊松分布要求方差等于均值的这一限制，能够更好的拟合拥有过度离散性质的数据。
因此，可以选择用负二项分布模型来拟合具有过度离散特点的碰撞数据。
此外，由于碰撞事故的稀有性和低概率性，建模数据中往往存在过多事故频率为零的样本点，同时也可以看到Crash_Freq中零值的分布大于50%，因此也可以考虑建立零膨胀模型，即零膨胀负二项回归模型。
汽车保险索赔次数双泊松回归模型运用
汽车保险索赔次数双泊松回归模型运用随着汽车保险的普及，越来越多的人意识到汽车保险的重要性。
然而，在保险索赔过程中，经常会出现索赔次数多、金额高等问题。
为了解决这些问题，保险公司需要对索赔情况进行分析和预测。
在这方面，双泊松回归模型是非常有效的工具。
双泊松回归模型是一种针对计数数据的统计方法，它可以用于预测一段时间内的保险索赔次数，从而帮助保险公司预测资产损失和成本。
双泊松回归模型的核心思想是，针对每一个索赔次数，都有两种概率分布，分别是交通事故发生的概率分布和保险索赔的概率分布。
这两种概率分布是独立的，但是它们的参数之间存在相关性。
在双泊松回归模型中，分别对交通事故发生的次数和保险索赔的次数进行建模，并利用这两个模型之间的相关性来预测保险索赔的次数。
这种方法可以一定程度上避免误差的积累，从而提高了预测的准确性。
为了更好的解释双泊松回归模型，下面我们举个实例。
如果一个人的车险保单包括了车辆损失险和第三者责任险，那么在他开车的过程中，他有任何一方面的索赔都会计入保险索赔的次数中。
由于双泊松回归模型能够同时考虑发生交通事故的概率和保险索赔的概率，所以它能够准确地预测出这个人的保险索赔次数。
在双泊松回归模型中，最为重要的是建模。
对于这个问题，可以采用广义线性模型（GLM）的思想，来对交通事故发生的次数和保险索赔的次数进行建模。
具体来说，在实际操作中，我们可以采用泊松回归模型来建立交通事故发生的概率分布，用交通事故发生的次数作为因变量，以车辆里程数、驾龄、道路类型、气象条件等多个变量作为自变量，对模型进行回归分析，并进行参数估计和模型检验。
同样的，我们可以采用另一个泊松回归模型来建立保险索赔的概率分布，通过变量选择和参数估计，得到模型的最终形式。
在获得这两个泊松回归模型之后，我们需要建立双泊松回归模型。
在这个模型中，交通事故发生的次数和保险索赔的次数之间存在相关性，可以用相关矩阵来刻画这种关系。
同时，由于每个人的驾驶风格和车辆状态都不同，所以对于不同的人需要建立不同的模型，并进行模型的验证和修正。
多元回归分析原理及例子
多元回归分析原理回归分析是一种处理变量的统计相关关系的一种数理统计方法。
回归分析的基本思想是: 虽然自变量和因变量之间没有严格的、确定性的函数关系, 但可以设法找出最能代表它们之间关系的数学表达形式。
回归分析主要解决以下几个方面的问题:(1) 确定几个特定的变量之间是否存在相关关系, 如果存在的话, 找出它们之间合适的数学表达式;(2) 根据一个或几个变量的值, 预测或控制另一个变量的取值, 并且可以知道这种预测或控制能达到什么样的精确度;(3) 进行因素分析。
例如在对于共同影响一个变量的许多变量(因素)之间, 找出哪些是重要因素, 哪些是次要因素, 这些因素之间又有什么关系等等。
回归分析有很广泛的应用, 例如实验数据的一般处理, 经验公式的求得, 因素分析, 产品质量的控制, 气象及地震预报, 自动控制中数学模型的制定等等。
多元回归分析是研究多个变量之间关系的回归分析方法, 按因变量和自变量的数量对应关系可划分为一个因变量对多个自变量的回归分析(简称为“一对多”回归分析)及多个因变量对多个自变量的回归分析(简称为“多对多”回归分析), 按回归模型类型可划分为线性回归分析和非线性回归分析。
本“多元回归分析原理”是针对均匀设计3.00软件的使用而编制的, 它不是多元回归分析的全面内容, 欲了解多元回归分析的其他内容请参阅回归分析方面的书籍。
本部分内容分七个部分, §1～§4介绍“一对多”线性回归分析, 包括数学模型、回归系数估计、回归方程及回归系数的显著性检验、逐步回归分析方法。
“一对多”线性回归分析是多元回归分析的基础, “多对多”回归分析的内容与“一对多”的相应内容类似, §5介绍“多对多”线性回归的数学模型, §6介绍“多对多”回归的双重筛选逐步回归法。
§7简要介绍非线性回归分析。
§1 一对多线性回归分析的数学模型§2 回归系数的最小二乘估计§3 回归方程及回归系数的显著性检验§4 逐步回归分析§5 多对多线性回归数学模型§6 双重筛选逐步回归§7 非线性回归模型§1 一对多线性回归分析的数学模型设随机变量与个自变量存在线性关系:, (1.1)(1.1)式称为回归方程, 式中为回归系数, 为随机误差。
回归分析概念、相关、多元回归分析
都有显著的线性关系？ 不一定。
进行单个自变量的显著性检验.
四、自变量的偏回归效果显著性检验 把在其它自变量对 线性回归基础上 对 的线性回归效果称做 对 的偏回归效果。
检验假设： 定理6.4.2 在m元正态线性模型下， 是 的 最小二乘估计量， 为残差平方和 估计量,则有：
其中
与 独立
是矩阵 主对角线上第
定理6.1.1 在定义6.1.1 的条件下 ，函数
是所有
的函数
中均值方差最小的函数 ,即对任意给定的函数
，总有
成立。
称 y E(Y x1, , xp )为回归函数. (Y,x1,…,xp)服从多元
在
的条件下
正态分布时,回归函数 为线性回归函数
y E(Y x1, , xp ) a0 a1x1 apxp
编号 1 2 3 4 5 6 7 8 9 10
X 820 780 720 867 690 787 934 679 639 820 Y 165 158 130 180 134 167 186 145 120 158 试问进食量与体重增量间有无相关关系？
实例 SPSS软件实现和结果分析 1. SPSS数据输入格式 10行2列
.940** 1.000
Sig. (2-tailed)
.000
.
N
10
10
**. Correlation is significant at the 0.01 level (2-tailed).
P=0.000<0.05, 拒绝原假设的证据较充分
结论:进食量与体重增量间有显著线性相关关系.
§4 多元线性回归分析
几何直观理解 数据散点图
4000
3800
state 泊松回归模型 案例
state 泊松回归模型案例案例1：使用泊松回归模型预测交通事故发生数量在城市交通管理中，了解交通事故的发生数量对于制定交通政策和改善交通安全非常重要。
为了预测交通事故的发生数量，可以使用泊松回归模型来分析各种影响因素对交通事故发生数量的影响程度。
例如，可以考虑以下几个因素：道路类型、交通流量、天气条件、交通信号等。
收集一定时间范围内的交通事故数据，并记录每个事故发生的具体位置和时间。
然后，将这些数据与各种影响因素进行关联。
例如，道路类型可以分为城市道路、高速公路等，交通流量可以根据交通量统计数据进行划分，天气条件可以根据天气预报数据进行分类，交通信号可以根据交通信号灯的状态进行编码。
接下来，使用泊松回归模型来分析交通事故发生数量与各个因素之间的关系。
泊松回归模型可以通过最大似然估计来估计模型的系数。
在这个案例中，泊松回归模型的因变量是交通事故发生数量，自变量包括道路类型、交通流量、天气条件、交通信号等。
然后，进行模型的拟合和评估。
可以使用拟合优度指标如AIC、BIC 来评估模型的拟合程度。
通过观察模型的系数，可以了解各个因素对交通事故发生数量的影响程度。
例如，如果某个因素的系数为正，则说明该因素与交通事故发生数量正相关；如果某个因素的系数为负，则说明该因素与交通事故发生数量负相关。
使用训练好的模型进行交通事故数量的预测。
根据实际情况和需要，可以输入不同的影响因素值，预测交通事故的发生数量。
预测结果可以帮助交通管理部门制定合理的交通政策，改善交通安全状况。
案例2：使用泊松回归模型预测电子商务网站的用户购买行为在电子商务领域，了解用户的购买行为对于提高销售额和用户满意度非常重要。
为了预测用户的购买行为，可以使用泊松回归模型来分析各种影响因素对购买数量的影响程度。
例如，可以考虑以下几个因素：用户属性、商品属性、促销活动等。
收集一定时间范围内的用户购买数据，并记录每个购买行为的具体信息，如用户属性、商品属性和促销活动。
高速公路分、合流区事故分析模型及事故影响因素
高速公路分、合流区事故分析模型及事故影响因素曹梦迪; 廉福绵; 孟祥海【期刊名称】《《公路交通技术》》【年(卷),期】2019(035)005【总页数】8页(P124-131)【关键词】交通工程; 高速公路分合流区; NB模型; ZINB模型; MENB模型; 事故影响因素分析【作者】曹梦迪; 廉福绵; 孟祥海【作者单位】哈尔滨工业大学交通科学与工程学院哈尔滨 150090; 中交公路规划设计院有限公司北京 100088【正文语种】中文【中图分类】U491.3高速公路行驶车辆的分流、合流是引起交通事故的重要诱因之一。
目前高速公路分、合流区安全性影响因素研究多集中于对事故严重程度进行分析。
研究表明，随交通流量、主线车道数、匝道车道数的增加，合流区的交通事故往往比分流区更严重[1]；而主线车道与匝道的连接类型、限速差值[2-3]会影响分流区的交通安全性。
Deogratias Eustace等[4-5]发现高速公路合流区左转匝道比右转匝道有更高的事故倾向。
Joe Bared等[6]提出减速车道长度与事故率密切相关。
孟祥海等[7]采取后侵入时间(PET)进行单因素方差分析，发现分、合流区不同车道上的交通安全性无显著差异。
郭唐仪等[8]以线形指标和匝道交通特性为解释变量，建立了泊松对数正态模型，并通过弹性分析确定诱导事故的关键因素为运行速度变化率和匝道长度。
交通事故数属于离散变量，早期研究中采用泊松分布[9]标定事故分析模型，但当事故数方差明显大于均值，体现出较强的“过度离散性”时，泊松模型不再适用，Hauer等人[10]提出依据负二项回归分布对事故次数进行研究，孟祥海[11]运用负二项模型构建高速公路路段的事故预测模型，实现对路段安全状况的评价。
事故数据中存在大量“0”值时，Kumara等人[12]利用零膨胀负二项模型以减小误差。
近年来，有些学者[13-14]借助随机效应负二项回归、混合效应负二项回归构建事故分析模型。
城市交通事故风险评估与预测模型研究
城市交通事故风险评估与预测模型研究城市交通事故一直是一个严重的社会问题，不仅给人们的生命财产安全造成威胁，也导致交通拥堵和环境污染问题。
因此，对城市交通事故的风险评估和预测模型的研究至关重要，可以有效地降低事故发生的概率，提高城市交通系统的安全性和效率。
一、城市交通事故风险评估模型城市交通事故风险评估模型是通过分析城市交通环境中的各种因素，包括道路条件、交通信号、车辆密度、天气等，来评估道路上发生交通事故的可能性。
这种模型往往利用历史交通事故数据，通过统计学和机器学习的方法来进行建模和预测。
例如，可以利用数据挖掘技术对历史交通事故数据进行分析，找出其中的规律和模式。
通过建立相应的预测模型，可以根据不同变量之间的关系，对未来的城市交通事故进行预测。
这样的模型可以为交通管理部门提供有效的参考和决策依据，针对高风险区域和时段制定相应的交通管理策略，以减少事故的发生。
二、城市交通事故风险预测模型城市交通事故风险预测模型与风险评估模型类似，但更加强调对未来交通事故发生可能性的预测。
这种模型常常利用时间序列分析和统计回归等方法，结合交通流量、特定区域的历史交通事故数据等因素进行预测。
例如，可以利用时间序列分析来预测某个区域未来一段时间内的交通事故数量，通过观察和分析历史数据中的季节性、周期性等规律，结合当前的交通流量数据，可以对未来事故发生的可能性进行预测。
这样的预测模型对于交通管理部门在制定交通控制措施和调度交通资源时具有重要的参考价值。
三、城市交通事故风险评估与预测模型的挑战虽然城市交通事故风险评估与预测模型具有重要的实际应用价值，但是也面临一些挑战。
首先，城市交通系统的复杂性使得模型的建立和预测变得困难。
城市中存在大量的非线性因素和相互影响，如人口密度、道路条件、交通信号等，这些因素之间的复杂关系需要通过模型来建立和描述。
其次，数据的获取和处理也是一个挑战。
虽然近年来城市交通系统中产生了大量的实时数据，如交通流量、车速等，但这些数据的质量和完整性还存在问题。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
２ ０ １ ３年 第 ２期 Ｎ ｏ ． ２ ２ ０ １ ３ Ｊ ｏ ｕ ｒ ｎ ａ ｌ ｏ ｆ Ｐ ｅ ｏ ｐ ｌ ｅ ’ Ｓ Ｐ ｕ ｂ ｌ ｉ ｃ Ｓ ｅ ｃ ｕ ｒ ｉ ｔ ｙ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ｏ ｆ Ｃ ｈ ｉ ｎ ａ（ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ ａ ｎ ｄ Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ ） 总第 ７ ６期 Ｓ ｕ ｍ ７ ６
・
７ ３・
董 玉波 ： 道 路 交通 事故 多元 线性 回归 模 型 及 其 检 验 方 法
Ｆ ＝ — 卡
～ Ｆ 一 ａ （ ， ｎ — ｍ 一 ） ，
和国道路 交通 安全 法实 施 条例 》 等 交 通法 律 法规 进
行 处理 的 。因此 ， 道 路 交 通 事故 发 生 的具 体 数据 应
关 键 词 道 路 交 通 事 故 ； 多 元 线 性 回归 分 析 ； 数 学 模 型 ；回归 检 验
中图分类号 Ｄ ０ ３ ５ ． ３ ７
０ 引言
１ 基本 原 理 １ ． １ 多元线 性 回归 预测原 理
建 立道 路 交通事 故 多元线 性 回归 的数学 模 型是
为 了进 行 道路交 通 事 故 预 测 ， 其 预 测 目的就 是 为 道
以后 的道路 交通 管 理 中 ， 不 能有针 对性 、 有效 性 和科
Ｆ
一
（ ， ， ｎ一， ｎ一１ ）
学性地 进行 管理 ， 其 预 测 结 果 的 实 际 运 用效 果 会 减 弱 。因此 ， 本文 根据 线 性 回归 分 析 基本 原 理 建 立 道 路 交通 事 故 的数 学模 型 ， 结合 回归 检验 原理 ， 给 出两 个 问题 检 验 的具 体 方 法 ： 一 是 通 过 多 元 回 归方 程 效 果 检验 来 确定建 立 的道路 交 通事故 回归模 型是 否有
例 等相关规定 ， 选 择 导 致 道 路 交 通事 故 发 生 次 数 和 死 亡 人 数 比例 较 多 的主 要 因 素 ： 超速行 驶 、 无 驾 驶 证 与 无 牌 照 和 酒 后 驾驶 机 动 车 等 三 个 因 素 ， 建 立 道 路 交 通 事 故 次 数 的 多 元 线 性 回归 分 析 数 学 模 型 ； 重点 结合显著性 检验原理 ， 对
Ｙ ＝ ｂ 。 ＋∑ ｂ ｉ
＝ｌ
其中， ｂ 。 ， ｂ 一， ６ 为 方程 的偏 回归 系数 。 １ ． ２ 线 性 回归方 程效 果检 验原 理 多元 线性 回归 方程效 果检 验是 考察 观测参 数 与 理论 参数 之 间的差 异 ， 以此 来 判 断 建立 的 回归 分析 方程 的合 理性 。基本 方法 如下 ： 检验假设 风 ： ｂ ＝ ０（ ｉ ＝ １ ， ２ ， …， ｍ） ， 选 用统计量
所 建 立 的 回 归 分 析模 型 是 否 有 意 义 以及 如 何 检 测 导 致 道 路 交 通 事 故 发 生 的 各 个 因 素 对 回归 模 型 的显 著 作 用 给 出 了 检验 方 法 ， 为合理 、 科 学 和 有 效 地 进 行 道 路 交 通 事 故 预测 提供 了 理 论 依 据 。
路交通 建 设和 交通 管理措 施 的制定 提 供重要 理 论依 据 。如 何 合理 、 科学 地预 测是其 中的关 键 问题 。 在实 际工 作 中 ， 人们 通 常 以专业 知 识 或 实 际经 验 为依 据 ， 建立 线性 回归 的数 学模 型 ， 使 用 多元 线性 回归分 析 方法对 道路 交通 事 故进行 预 测 。而线 性 回 归模 型只 是一 种假 设 ， 建 立 的预 测 模 型是 否有 意义
其中， 为 回归 平方 和 ， Ｑ为残差 平方 和 。当 Ｆ超过
临界值 Ｆ 一 （ ｍ， ｎ—ｍ一１ ） 时， 否 定假 设 ， 说 明 回
归方程 没有 意义 （ Ｏ Ｌ 为显 著性 水平 ） 。
１ ． ３ 偏 回归系数 检验 原理
意义 ； 二是 通过 偏 回归 系数 检 验 来 检 测 导致 道 路 交
道 路 交通 事 故 多元 线 性 回归模 型及 其检 验方 法
董 玉 波
（ 辽宁警官高等专科学校刑事技术 系 ， 辽 宁 大 连 １ １ ６ ０ ３ ６ ）
摘Leabharlann 要根 据 多 元 线 性 回归 分 析 基 本 原 理 ， 以道 路 交 通 事 故 数 据 为 研 究 基 础 ， 依 据 我 国 道 路 交 通 安 全 法 及 实 施 条
通 事故 发生 的每 个 因素在 线性 回归 模 型 中的作用 是
否 显著 。
偏 回归系数 检 验是考 察 事故 因素在方 程 中的重 要 性 。基本 方法 如下 ： 检验假设 ： ６ ＝ ０（ ｉ ＝１ ， ２ ， …， ｍ） ， 选用统计量
作 者简 介 董玉波（ １ ９ ６ ２ 一） ， 女， 河南清丰人， 副教授， 系副主任。
Ｆ ＝—
ｎ—ｍ 一１
管 理措 施 的制定 及 实 施 提 供 的 数据 必然 是 错 误 的 ， 其 后果 会使 国家 、 集 体 和个 人 的经 济 利益 得 到重 大 损 失 。 即使线性 回归 模 型 有 意 义 ， 如 果 不考 虑各 因 素 对多 元线 性 回归 模 型 的显 著 性 影 响 ， 也 会 致 使 在
还 需进 一 步 的检 验 。如 果 建 立 的 预 测 模 型 没 有 意 义， 就 会导 致预 测结 果失 效 ， 为道路 交 通建设 和 交通
一
在 实 际问题 中 ， 导致 道 路交 通 事 故发 生 的因 素
般 不少 于两 个 。 因此 ， 此 类 问 题 为多 元 线 性 回归
分析 。设 随机 变量 Ｙ与 。 ， ， …， 线 性相 关 ， 则 多 元线 性 回归公 式为 ：