在我们研究两个变量(x,y)之间的相互关系时,通常可以得到一系列成对的数据(x1,y1.x2,y2... xm,ym);将这些数据描绘在x -y直角坐标系中,若发现这些点在一条直线附近,可以令这条直线方程如(式1-1)。 Y计= a0 + a1 X (式1-1) 其中:a0、a1 是任意实数 为建立这直线方程就要确定a0和a1,应用《最小二乘法原理》,将实测值Yi与利用(式1-1)计算值(Y计=a0+a1X)的离差(Yi-Y计)的平方和〔∑(Yi - Y计)2〕最小为“优化判据”。 令:φ = ∑(Yi - Y计)2 (式1-2) 把(式1-1)代入(式1-2)中得: φ = ∑(Yi - a0 - a1 Xi)2 (式1-3) 当∑(Yi-Y计)平方最小时,可用函数 φ 对a0、a1求
偏导数,令这两个偏导数等于零。 (式1-4) (式1-5) 亦即: m a0 + (∑Xi ) a1 = ∑Yi (式1-6) (∑Xi ) a0 + (∑Xi2 ) a1 = ∑(Xi,Yi) (式1-7) 得到的两个关于a0、 a1为未知数的两个方程组,解这两个方程组得出: a0 = (∑Yi) / m - a1(∑Xi) / m (式1-8) a1 = [m∑Xi Yi - (∑Xi ∑Yi)] / [m∑Xi2 - (∑Xi)2 )] (式1-9) 这时把a0、a1代入(式1-1)中, 此时的(式1-1)就是我们回归的元线性方程即:数学模型。 在回归过程中,回归的关联式是不可能全部通过每个回归数据点(x1,y1. x2,y2...xm,ym),为了判断关联式的好坏,可借助
相关系数“R”,统计量“F”,剩余
标准偏差“S”进行判断;“R”越趋近于 1 越好;“F”的
绝对值越大越好;“S”越趋近于 0 越好。 R = [∑XiYi - m (∑Xi / m)(∑Yi / m)]/ SQR{[∑Xi2 - m (∑Xi / m)2][∑Yi2 - m (∑Yi / m)2]} (式1-10) * 在(式1-1)中,m为样本容量,即实验次数;Xi、Yi分别任意一组实验X、Y的数值。
编辑本段
最小二乘法公式 最小二乘法公式 注:以下“平”是指某参数的算数平均值。如:X平——x的
算术平均值。 1、∑(X--X平)(Y--Y平)= ∑(XY--X平Y--XY平+X平Y平)= ∑XY--X平∑Y--Y平∑X+nX平Y平= ∑XY--nX平Y平--nX平Y平+nX平Y平=∑XY--nX平Y平; 2、∑(X --X平)^2= ∑(X^2--2XX平+X平^2)= ∑X^2--2nX平^2+nX平^2=∑X^2--nX平^2; 3、Y=kX+b k=((XY)平--X平*Y平)/((X^2)平--(X平)^2), b=Y平--kX平; X平=1/n∑Xi, (XY)平=1/n∑XiYi;
追问呵呵,我是问的上面公式怎么推导的?麻烦了
追答均值和方差的公式如下:
E(cX)=cE(X)
Var(cX)=(c^2)Var(X)
E(X+Y)=E(X)+E(Y)
当X,Y是两个相互独立的随机变量,则Var(X+Y)=Var(X)+Var(Y)
∑Wi*Yi是一个加权的求和,∑Wi*Yi=W1*Y1+W2*Y2+……,其中Wi是常数,
E(∑Wi*Yi)=E(W1*Y1+W2*Y2+……)=W1*E(Y1)+W2*E(Y2)+……=∑Wi*E(Yi)
Var(∑Wi*Yi)=Var(W1*Y1+W2*Y2+……)
如果Y1、Y2……相互独立(否则不能得出证明结论)
Var(W1*Y1+W2*Y2+……)=W1^2*Var(Y1)+W2^2*Var(Y2)+……=∑Wi^2*Var(Yi)
追问哎,这些我都懂的,但我就是不知道总体回归函数Y=B1+B2X+ui,样本回归函数y=b1+b2x+ei,已知ui~(0,σ2),如何推出样本回归函数中b1的方差呢
追答我们记好公式就可以了,没要求推啊,真没必要,你们要推吗?
上面的都是我搜的,呵呵,你的问题真不太会,抱歉啦,耽误你时间了。
(如果最后还是没人答,采纳我好么,在刷采纳,任务,谢啊!!)
追问好滴!1其实我是觉得记公式太形式了,所以就想知道怎样推,麻烦了
追答祝你早日得到解答,(哪怕因此 没采纳我)!+++油!