您可以拟合以下线性模型、二次模型或立方回归模型:
模型类型 | 顺序 | 统计模型 |
---|---|---|
线性 | 第一个 | Y = β0+ β1x + e |
二次 | 第二个 | Y = β0+ β1x + β2x2+ e |
立方 | 第三个 | Y = β0+ β1x + β2x2+ β3x3+ e |
另一种弯曲建模方式是通过使用线性、二次以及立方模型的 x 和/或 y 的 log10 生成其他模型。此外,取 Y 的 log10 可用于缓解右偏斜或降低残差的异方差。
当 Minitab 拟合二次或立方模型时,Minitab 会在估计系数之前标准化预测变量。标准化可以降低预测变量之间的多重共线性。简化可以确保多重共线性较低,使 Minitab 不可能从模型中剔除任何预测变量。输出会显示采用预测变量的原始单位的非标准化系数。
简单线性回归中系数或斜率的公式为:
截距 (b0) 的公式为:
在矩阵项中,计算多个回归中的系数的向量的公式为:
b = (X'X)-1X'y
项 | 说明 |
---|---|
yi | 观测的第 i 个响应值 |
![]() | 平均值响应变量 |
xi | 第 i 个预测变量值 |
![]() | 平均值预测变量 |
X | 设计矩阵 |
y | 响应矩阵 |
项 | 说明 |
---|---|
MSE | 均方误 |
R2 可以作为 y 和 的平方相关进行计算。
项 | 说明 |
---|---|
SS | 平方和 |
y | 响应变量 |
![]() | 拟合响应变量 |
项 | 说明 |
---|---|
MS | 均方 |
SS | 平方和 |
DF | 自由度 |
模型的每个分量的自由度:
变异源 | 自由度 |
---|---|
回归 | p |
误差 | n – p – 1 |
合计 | n – 1 |
项 | 说明 |
---|---|
n | 观测值个数 |
p | 模型中系数的个数,不计算常量 |
距离平方和。SS 回归是由模型解释的变异部分。SS 误差是模型无法解释的部分,且归因于误差。SS 合计是数据的总变异。
项 | 说明 |
---|---|
yi | 第 i 个观测响应值 |
![]() | 第 i 个拟合响应 |
![]() | 平均响应 |
均方误(也称为 MS 误差或 MSE,表示为 s2)是围绕拟合回归线的方差。公式如下:
项 | 说明 |
---|---|
yi | 第 i 个观测响应值 |
![]() | 第 i 个拟合响应 |
n | 观测值个数 |
p | 模型中的系数数量,不包括常量 |
回归均方 (MS) 的公式如下:
项 | 说明 |
---|---|
![]() | 平均响应 |
![]() | 第 i 个拟合响应 |
p | 模型中的项数 |
均方 (MS) 合计的公式为:
项 | 说明 |
---|---|
![]() | 平均值响应变量 |
yi | 观测的第 i 个响应值 |
n | 观测值个数 |
F 值的公式如下:
项 | 说明 |
---|---|
MS 回归 | 度量响应变量中由当前模型解释的变异。 |
MS 误差 | 度量无法由模型解释的变异。 |
MS 项 | 度量在说明模型中的其他项之后,要由一个项解释的变异量。 |
MS 失拟 | 度量响应变量中可以通过向模型中添加更多项来建模的变异。 |
MS 纯误差 | 度量仿行响应数据中的变异。 |
p 值是从具有如下自由度 (DF) 的 F 分布得出的概率:
1 − P(F ≤ fj)
项 | 说明 |
---|---|
P(F ≤ f) | F 分布的累积分布函数 |
f | 检验的 f 统计量 |
项 | 说明 |
---|---|
ei | 第 i 个残差 |
![]() | 第 i 个观测响应值 |
![]() | 第 i 个拟合响应 |