2、多元线性回归模型
在多要素的地理环境系统中,多个(多于两个)要素之间也存在着相互影响、相互关联的情况。因此,多元地理回归模型更带有普遍性的意义。
(1)多元线性回归模型的建立
假设某一因变量y受k个自变量的影响,其n组观测值为(),。那么,多元线性回归模型的结构形式为:
(3.2.11)
式中:
为待定参数;
为随机变量。
如果分别为的拟合值,则回归方程为
ŷ=(3.2.12)
式中:
为常数;
称为偏回归系数。
偏回归系数()的意义是,当其他自变量()都固定时,自变量每变化一个单位而使因变量y平均改变的数值。
根据最小二乘法原理,()的估计值()应该使
(3.2.13)
有求极值的必要条件得
(3.2.14)
将方程组(3.2.14)式展开整理后得:
(3.2.15)
方程组(3.2.15)式,被称为正规方程组。
如果引入一下向量和矩阵:
则正规方程组(3.2.15)式可以进一步写成矩阵形式
(3.2.15’)
求解(3.2.15’)式可得:
(3.2.16)
如果引入记号:
则正规方程组也可以写成:
(3.2.15’’)
(2)多元线性回归模型的显著性检验
与一元线性回归模型一样,当多元线性回归模型建立以后,也需要进行显著性检验。与前面的一元线性回归分析一样,因变量y的观测值之间的波动或差异,是由两个因素引起的,一是由于自变量的取之不同,另一是受其他随机因素的影响而引起的。为了从y的离差平方和中把它们区分开来,就需要对回归模型进行方差分析,也就是将y的离差平方和或(Lyy)分解成两个部分,即回归平方和U与剩余平方和Q:
在多元线性回归分析中,回归平方和表示的是所有k个自变量对y的变差的总影响,它可以按公式
计算,而剩余平方和为
以上几个公式与一元线性回归分析中的有关公式完全相似。它们所代表的意义也相似,即回归平方和越大,则剩余平方和Q就越小,回归模型的效果就越好。不过,在多元线性回归分析中,各平方和的自由度略有不同,回归平方和U的自由度等于自变量的个数k,而剩余平方和的自由度等于,所以F统计量为:
当统计量F计算出来之后,就可以查F分布表对模型进行显著性检验。
本文来源:https://www.2haoxitong.net/k/doc/9560b9334a7302768e9939d0.html
文档为doc格式