最后更新: 2025-02-22 09:37 查看: 176 次纠错评论(0) 课件开VIP

预测与控制

## 预测与控制
在一元线性回归问题中, 若回归方程经检验效果显著, 则这时回归值与实际值拟合得较好，因而可以利用它对因变量 $y$ 的新观察值 $y_0$ 进行点预测或区间预测.

## 预测问题

由于 $x$ 与 $y$ 并非确定性关系，对于任意给定的 $x_0$ ，无法精确知道相应的 $y_0$ 值，但可由回归方程计算出一个回归值 $\hat{y}_0=\hat{\beta}_0+\hat{\beta}_1 x_0$, 以一定的置信度预测对应的 $y$ 的观察值的取值范围,也即对 $y_0$ 做区间估计，即在一定的显著性水平 $\alpha$ 下，寻找一个正数 $\delta$ ，使 $P\left(\left|y_0-\hat{y}_0\right| \leqslant \delta\right)=1-\alpha$, 称区间 $\left[\hat{y}_0-\delta, \hat{y}_0+\delta\right]$ 为 $y_0$ 的概率为 $1-\alpha$ 的**预测区间** (Prediction Interval), 这就是所谓的预测问题.

由定理 10.1.1 可推出，

$$
y_0-\hat{y}_0 \sim N\left(0,\left[1+\frac{1}{n}+\frac{\left(x_0-\bar{x}\right)^2}{L_{x x}}\right] \sigma^2\right),
$$

又因 $y_0-\hat{y}_0$ 与 $\hat{\sigma}^2$ 相互独立, 且

$$
\frac{(n-2) \hat{\sigma}^2}{\sigma^2} \sim \chi^2(n-2)
$$

所以

$$
T=\left(y_0-\hat{y}_0\right) /\left[\hat{\sigma} \sqrt{1+\frac{1}{n}+\frac{\left(x_0-\bar{x}\right)^2}{L_{x x}}}\right] \sim t(n-2),
$$

故对给定的显著性水平 $\alpha$, 求得

$$
\delta=t_{a / 2}(n-2) \hat{\sigma} \sqrt{1+\frac{1}{n}+\frac{\left(x_0-\bar{x}\right)^2}{L_{x x}}} .
$$

故得 $y_0$ 的置信度为 $1-\alpha$ 的预测区间为

$$
\left(\hat{y}_0-t_{a / 2}(n-2) \hat{\sigma} \sqrt{1+\frac{1}{n}+\frac{\left(x_0-\bar{x}\right)^2}{L_{x x}}}, \hat{y}_0+t_{a / 2}(n-2) \hat{\sigma} \sqrt{1+\frac{1}{n}+\frac{\left(x_0-\bar{x}\right)^2}{L_{x x}}}\right) .
$$

对于给定样本观察值, 可作出曲线

$$
\left\{\begin{array}{l}
y_1(x)=\hat{y}(x)-t_{a / 2}(n-2) \hat{\sigma} \sqrt{1+\frac{1}{n}+\frac{\left(x_0-\bar{x}\right)^2}{L_{x x}}} \\
y_2(x)=\hat{y}(x)+t_{a / 2}(n-2) \hat{\sigma} \sqrt{1+\frac{1}{n}+\frac{\left(x_0-\bar{x}\right)^2}{L_{x x}}}
\end{array}\right.
$$

这两条曲线形成包含回归直线 $\hat{y}=\hat{\beta}_0+\hat{\beta}_1 x$ 的带形域, 如图 10.2.1 所示, 这一带形域在 $x=\bar{x}$ 处最窄, 说明越靠近 $\bar{x}$, 预测精度就越高. 而当 $x_0$ 离 $\bar{x}$ 较远时, 置信区域逐渐加宽, 此时精度逐渐下降。

在实际的回归问题中, 当样本容量 $n$ 很大, 并且 $x_0$ 较接近 $\bar{x}$ 时, 有

$$
\sqrt{1+\frac{1}{n}+\frac{\left(x_0-\bar{x}\right)^2}{L_{x x}}} \approx 1, \quad t_{\alpha / 2}(n-2) \approx u_{\alpha / 2},
$$

则 $y_0$ 的置信度为 $1-\alpha$ 的预测区间近似地等于

$$
\left(\hat{y}_0-u_{a / 2} \hat{\sigma}, \hat{y}_0+u_{a / 2} \hat{\sigma}\right) .
$$

特别地, 若取 $1-\alpha=0.95$, 则 $y_0$ 的置信度为 0.95 的预测区间为

$$
\left(\hat{y}_0-1.96 \hat{\sigma}, \hat{y}_0+1.96 \hat{\sigma}\right)
$$

取 $1-\alpha=0.997$, 则 $y_0$ 的置信度为 0.997 的预测区间为

$$
\left(\hat{y}_0-2.97 \hat{\sigma}, \hat{y}_0+2.97 \hat{\sigma}\right) .
$$

由此可以预料，在全部可能出现的 $y$ 值中，大约有 $99.7 \%$ 的观测点落在直线 $L_1: y=$ $\hat{\beta}_0-2.97 \hat{\sigma}+\hat{\beta}_1 x$ 与直线 $L_2: y=\hat{\beta}_0+2.97 \hat{\sigma}+\hat{\beta}_1 x$ 所夹的带形区域内, 如图 10.2.2 所示.
 ![图片](/uploads/2024-11/51953f.jpg)
 
 可见，预测区间意义与置信区间的意义相似，只是后者是对未知参数而言的，前者是对随机变量而言的．

`例` 某建材实验室做陶粒混凝土实验室中，考察每立方米混凝土的水泥用量（kg）
对混凝土抗压强度（kg/ 2 cm ）的影响，测得下列数据．
 ![图片](/uploads/2024-11/1537cc.jpg)
 
 (1) 求经验回归方程 $\hat{y}=\hat{\beta}_0+\hat{\beta}_1 x$;
（2）检验一元线性回归的显著性（ $\alpha=0.05$ ）;
(3) 设 $x_0=225 kg$, 求 $y$ 的预测值及置信度为 0.95 的预测区间.

解
(1) $n=12, \bar{x}=205, L_{x x}=14300, \bar{y}=72.6$,

$$
L_{y y}=1323.82,
$$
$$
L_{x y}=\sum_{i=1}^n x_i y_i-n \bar{x} \bar{y}=182943-12 \times 205 \times 72.6=4347,
$$

故 $\hat{\beta}_1=L_{x y} / L_{x x}=0.304, \hat{\beta}_0=\bar{y}-\hat{\beta}_1 \bar{x}=10.28$, 得经验回归方程 $\hat{y}=10.28+0.304 x$.
(2) $Q_{\text {回 }}=\hat{\beta}_1 L_{x y}=1321.488, Q_{\text {利 }}=L_{y y}-\hat{\beta}_1 L_{x y}=2.332$,

$$
F_0=(n-2) \frac{Q_{\text {回 }}}{Q_{\text {料 }}}=10 \times \frac{1321.488}{2.332}=5666.76 \text {. }
$$

在水平 $\alpha=0.05$ 下, $F_{0.05}(1,10)=4.96$, 因 $F_0>F_{0.05}(1,10)$, 故回归方程显著.
(3) $\delta=t_{0.025}(10) \cdot \hat{\sigma} \sqrt{1+\frac{1}{12}+\frac{(225-205)^2}{14300}}=1.054 t_{0.025}(10) \hat{\sigma}$,

则 $\hat{\sigma}=\sqrt{\frac{Q_{\text {利 }}}{n-2}}=\sqrt{\frac{2.332}{10}}=0.4829, t_{0.025}(10)=2.2281$, 故 $\hat{y}_0=10.28+0.304 \times 225=78.68$, 所求预测区间为

$$
(78.68 \pm 2.2281 \times 0.4829 \times 1.054)=(78.68 \pm 1.134)
$$

## 控制问题

控制问题是预测问题的反问题，即考虑这样的问题，将观察值 $y$ 控制在一定范围内 $y_1<y<y_2$ 取值，问 $x$ 应控制在什么范围?

对于给定的置信度 $1-\alpha$, 求出相应的 $x_1 、 x_2$, 使 $x_1<x<x_2$ 时, $x$ 所对应的观察值 $y$ 落在 $\left(y_1, y_2\right)$ 之内的概率不小于 $1-\alpha$.

当 $n$ 很大时, 从方程

$$
\left\{\begin{array}{l}
y_1=\hat{y}-\hat{\sigma} z_{\alpha / 2}=\hat{\beta}_0+\hat{\beta}_1 x-\hat{\sigma} z_{\alpha / 2} \\
y_2=\hat{y}+\hat{\sigma} z_{\alpha / 2}=\hat{\beta}_0+\hat{\beta}_1 x+\hat{\sigma} z_{\alpha / 2}
\end{array}\right.
$$

分别解出 $x$, 作为控制 $x$ 的上、下限:

$$
\left\{\begin{array}{l}
x_1=\left(y_1-\hat{\beta}_0+\hat{\sigma} z_{\alpha / 2}\right) / \hat{\beta}_1 \\
x_2=\left(y_2-\hat{\beta}_0-\hat{\sigma} z_{\alpha / 2}\right) / \hat{\beta}_1
\end{array} .\right.
$$

当 $\hat{\beta}_1>0$ 时, 控制区间为 $\left(x_1, x_2\right)$; 当 $\hat{\beta}_1<0$ 时, 控制区间为 $\left(x_2, x_1\right)$, 如图 10.2.3 所示.
 ![图片](/uploads/2024-11/9efd83.jpg)
 
 实际应用中, 由式 (10.2.1) 知, 要实现控制, 必须要求区间 $\left(y_1, y_2\right)$ 的长度大于 $2 \hat{\sigma} z_{\alpha / 2}$,否则控制区间不存在.

特别地, 当 $\alpha=0.05$ 时, $z_{\alpha / 2}=z_{0.025}=1.96 \approx 2$, 故式 (10.2.2) 近似为

$$
\left\{\begin{array}{l}
x_1=\left(y_1-\hat{\beta}_0+2 \hat{\sigma}\right) / \hat{\beta}_1 \\
x_2=\left(y_2-\hat{\beta}_0-2 \hat{\sigma}\right) / \hat{\beta}_1
\end{array}\right.
$$

科数题库(单机版) 会议室预约系统(book)

今日还可看 0 篇未注册用户每天查看4篇，注册用户每天8篇，开通VIP会员无限制查看。

免费注册

《高等数学》难点解析

高数教程 泰勒公式切线与法线切平面与法平面驻点·拐点·极值点·零点间断点渐进线瑕积分欧拉方程伯努利方程 Abel 收敛定理偏导数的几何意义偏导数的几何意义梯度数量场与向量场多元函数极值拉格朗日算子通量与散度环流量与旋度格林公式高斯公式斯托克斯公式三大公式比较傅里叶级数极坐标微元点法式方程变上限定积分 X型计算面积 Y型计算面积微分的意义渐近线间断点 y''+py'+qy=f(x)方程高斯黎曼傅里叶变换(复数) 拉普拉斯变换(复数)

《线性代数》难点解析

线代教程 近世代数对数学的整体思考线性的意义矩阵乘法(列视角) 矩阵乘法(行视角) 矩阵左乘矩阵右乘逆矩阵求解方程组阶梯形矩阵的求法方程组解的判定四阶行列式的计算线性变换的意义线性空间向量组的等价线性空间的几何意义基础解系的求法施密特正交化特征值与特征向量的意义矩阵相似的几何意义矩阵可对角化的理解秩的意义(向量版) 秩的意义(方程版) 二次型的意义

《概率论与数理统计》难点解析

概率教程 置信区间与上a分位数概率中的“取”与“放” 贝叶斯公式全概率公式泊松分布指数分布伽玛分布二维密度图的意义卷积的意义相关系数的意义 k阶矩是与矩母函数卡方分布的作用单正态区间估计理解假设检验理解切比雪夫不等式中心极限定理

上一篇：回归方程的显著性检验

下一篇：非线性回归的线性化处理

本文对您是否有用？有用 (0) 无用 (0)