iis7 添加php网站,建设局权力大吗,骨科医院网站优化服务商,下载互联网1.基本概念及应用场景 回归分析是一种预测性的建模技术#xff0c;数学建模中常用回归分析技术寻找存在相关关系的变量间的数学表达式#xff0c;并进行统计推断。例如#xff0c;司机的鲁莽驾驶与交通事故的数量之间的关系就可以用回归分析研究。回归分析根据变量的…1.基本概念及应用场景 回归分析是一种预测性的建模技术数学建模中常用回归分析技术寻找存在相关关系的变量间的数学表达式并进行统计推断。例如司机的鲁莽驾驶与交通事故的数量之间的关系就可以用回归分析研究。回归分析根据变量的数目分为一元回归和多元回归根据自变量和因变量的表现形式分为线性和非线性。
回归模型描述因变量y如何依赖于自变量x和误差项e的方程。
回归方程描述因变量y如何依赖于自变量x的方程。
2.回归分析的一般步骤
确定回归方程中的解释变量和被解释变量确定回归模型建立回归方程对回归方程进行各种检验用回归方程进行预测
3.一元线性回归分析
1.概念
例子
人均收入是否显著影响人均食品消费支出贷款余额是否影响到不良贷款航班正点率是否对顾客投诉次数有显著影响
回归模型 截距
斜率
误差项反映随机因数对y的影响是不可避免的
回归方程 若回归方程中的未知参数已知则对于给定的x值可计算出y的期望值。 用样本统计量代替未知参数就得到估计的回归方程称回归直线。
2.最小二乘法求参数 常用最小二乘法即使残差因变量的观察值与估计值的离差平方和达到最小求参数 展开 求偏导并整理 代入数据即可得到及
3.点估计 将x的值代入回归方程即可得对应的点估计值。
4.区间估计
估计标准误差 估计标准误差越小则数据点围绕回归直线的分散程度越小回归方程的代表性越大可靠性越高。
置信区间 预测区间 显著性水平
置信水平
即n-k为残差自由度样本容量-回归系数的数量一元线性回归方程中k2
模型建立和求解的Python代码
import numpy as np
import statsmodels.api as sm
import scipy.stats as stats
import matplotlib.pyplot as plt
plt.rc(font, familySimHei) # 用来正常显示中文标签
plt.rc(axes, unicode_minusFalse) # 用来正常显示负号# 输入数据
x np.array([143, 145, 146, 147, 149, 150, 153, 154, 155, 156, 157, 158, 159, 160, 162, 164])
y np.array([88, 85, 88, 91, 92, 93, 93, 95, 96, 98, 97, 96, 98, 99, 100, 102])# 添加截距项
X sm.add_constant(x)# 求参数值
model sm.OLS(y, X).fit()
beta model.params
print(参数值:)
print(beta0 , beta[0])
print(beta1 , beta[1])# 点估计
x0 float(input(x))
y_pred beta[0] beta[1] * x0
print(点估计预测值, y_pred)# 计算标准误差
se np.sqrt(model.mse_resid)# 自由度
n len(x)
df n - model.df_model - 1# 置信水平和 t 分位数
alpha 0.05
t np.abs(stats.t.ppf(alpha/2, df))# 计算置信区间和预测区间
x_mean np.mean(x)
x_var np.sum((x - x_mean)**2)
conf_interval t * se * np.sqrt(1/n (x - x_mean)**2 / x_var)
pred_interval t * se * np.sqrt(1 1/n (x - x_mean)**2 / x_var)# 绘制原始数据和回归直线
plt.scatter(x, y, colorblue, marker*, label原始数据)
plt.plot(x, model.fittedvalues, colorred, label回归直线)
plt.xlabel(x)
plt.ylabel(y)# 绘制置信区间和预测区间
plt.fill_between(x, model.fittedvalues - conf_interval, model.fittedvalues conf_interval, colorgray, alpha0.3, label置信区间)
plt.fill_between(x, model.fittedvalues - pred_interval, model.fittedvalues pred_interval, coloryellow, alpha0.3, label预测区间)plt.legend()
plt.show()5.模型检验
1.回归直线的拟合优度 回归直线与各观测点的接近程度称为回归直线对数据的拟合优度。 评价拟合优度的指标
总平方和TSS反映因变量的n个观测值与其均值的总离差 回归平方和ESS反映了y的总变差中由于x与y之间的线性关系引起的y的变化部分 残差平方和RSS反映了其他因素对y变差的作用是不能由回归直线来解释的y的变差部分
99
