6.1 回归分析基本概念⚓︎
第六章 回归、相关与方差分析⚓︎
1. 1 回归分析基本概念⚓︎
本章所要讨论的题目都是在数理统计学中应用很广泛的分 支. 它们有一个共同点, 即都是研究变量之间的关系. 这些变量可 以是随机的, 也可以是非随机 (可以理解为能由人所控制) 的, 但不 能全部为非随机的. 它们的不同之处在于: 回归分析着重在寻求变 量之间近似的函数关系, 相关分析则不着重这种关系, 而致力于寻 求一些数量性的指标, 以刻画有关变量之间关系深浅的程度. 第三 章中讨论过的相关系数, 就是这样的一个指标. 方差分析着重考虑 一个或一些变量对一特定变量的影响有无及大小, 由于其方法是 基于样本方差的分解, 故得名. 以上只是一个很一般的描述, 在以 后的叙述中将加以充实和确切化.
我们先来谈回归分析. “回归”一词的来由将在后面加以解释. 在现实世界中存在着大量这样的情况: 两个或多个变量之间有一 些联系, 但没有确切到可以严格决定的程度. 例如, 人的身高 \(X\) 和 体重 \(Y\) 有联系,一般表现为 \(X\) 大时, \(Y\) 也倾向于大, 但由 \(X\) 并不 能严格地决定 \(Y\). 一种农作物的亩产量 \(Y\) 与其播种量 \(X_{1}\), 施肥量 \(X_{2}\) 有联系,但 \(X_{1}, X_{2}\) 不能严格决定 \(Y\).工业产品的质量指标 \(Y\) 与工艺参数和配方等有联系,但后者也不能严格决定 \(Y\).
在以上诸例及类似的例子中, \(Y\) 通常称为因变量或预报量, \(X, X_{1}, X_{2}\) 等则称为自变量或预报因子. 因变量自变量的称呼借 用自函数关系, 它不十分妥贴, 因为, 有时变量间并无明显的因果 关系存在. 例如, 不好说一个人的身高是因体重是果, 因为你也可 以反过来说, 该人身高是因其体重大. 预报量与预报因子的名称来 源于实际. 因为在应用中,多是借助于一些变量之值去预测另一些 变量之值. 比如说, 用播种量和施肥量去预测产量. 这名称也非十 分完善, 因为在回归分析的某些应用中, 并无预报的含义. 迄今为 止, 对 \(X\left(\right.\) 或 \(\left.\left(X_{1}, X_{2} \cdots\right)\right)\) 和 \(Y\) 并无一种一致采用或公认为妥贴的 称呼, 为简单计, 今后我们将固定使用自变量和因变量这一对名 词.
为什么由 \(X_{1}, X_{2}\) 等不能严格决定 \(Y\) ? 理由很清楚. 拿农作 物那个例子来说, 影响产量 \(Y\) 的因素(变量)很多, 远不止播种量 \(X_{1}\) 和施肥量 \(X_{2}\) 二者, 其他如灌溉情况, 气温变化情况, 灾害 (病 虫害、风灾之类), 都影响到 \(Y\). 这些因素中, 有可以人为控制的 (如已考虑的 \(X_{1}, X_{2}\) ), 有原则上可控但因技术、经济力量不及, 或 研究工作目标有限末予控制的, 还有一大批难于控制的随机因素. 因此,已考虑的因素 \(X_{1}, X_{2}\) 只能在一定程度上决定产量 \(Y\), 其余 则委之于随机误差. 因此, 在回归分析中, 因变量总是看作为随机 变量. 至于自变量则情况较复杂: 有随机的, 如人的身高体重那个 例子, 不是给定身高去测体重, 而是随机地抽出一个人, 同时测其 身高体重,故二者都是随机变量.也有非随机的,农作物例中的播 种量和施肥量即是, 它们的取值可以由人控制. 从数理统计学的理 论上说这二者有差别. 但从实用上说, 人们往往把随机自变量当作 非随机去处理, 但对结果的解释要小心, 以后再谈. 在本章 6.2 和 6.3 这两节中, 除有特别声明, 我们将一律把自变量视为非随机 的.
现设在一个问题中有因变量 \(Y\), 及自变量 \(X_{1}, \cdots, X_{p}\). 可以设 想 \(Y\) 的值由两部分构成: 一部分由 \(X_{1}, \cdots, X_{p}\) 的影响所致, 这一 部分表为 \(X_{1}, \cdots, X_{p}\) 的函数形式 \(f\left(X_{1}, \cdots, X_{p}\right)\). 另一部分则由其 他众多末加考虑的因素, 包括随机因素的影响所致, 它可视为一种 随机误差, 记为 \(e\). 于是得到模型:
\(e\) 作为随机误差, 我们要求其均值为 0 :
于是得到: \(f\left(X_{1}, \cdots, X_{p}\right)\) 就是在给定了自变量 \(X_{1}, \cdots, X_{p}\) 之值的 条件下,因变量 \(Y\) 的条件期望值. 可写为 *
函数 \(f\left(x_{1}, \cdots, x_{p}\right)\) 称为 \(Y\) 对 \(X_{1}, \cdots, X_{p}\) 的 “回归函数”, 而方程
则称为 \(Y\) 对 \(X_{1}, \cdots, X_{p}\) 的 “回归方程”. 有时在回归函数和回归方 程之前加上“理论”二字, 以表明它是直接来自模型, 也可以说是模 型的一个组成部分, 而非由数据估计所得. 后者称为 “经验回归函 数”和“经验回归方程”.
设 \(\xi\) 为一随机变量, 则 \(E(\xi-c)^{2}\) 作为 \(c\) 的函数, 在 \(c=E(\xi)\) 处达到最小. 由这个性质, 可以对理论回归函数 \(f\left(x_{1}, \cdots, x_{p}\right)\) 作下 面的解释: 如果我们只掌握了因素 \(X_{1}, \cdots, X_{p}\), 而希望利用它们的 值以尽可能好地逼近 \(Y\) 的值, 则在均方误差最小的意义下, 以使 用理论回归函数为最好.
但在实际问题中,理论回归函数一般总是末知的,统计回归分 析的任务, 就在于根据 \(X_{1}, \cdots, X_{p}\) 和 \(Y\) 的观察值, 去估计这个函 数, 及讨论与此有关的种种统计推断问题,如假设检验问题和区间 估计问题. 所用的方法, 在相当大的程度上取决于模型中的假定, 也就是对回归函数 \(f\) 及随机误差 \(e\) 所作的假定. 先说回归函数 \(f\). 一种情况是对 \(f\) 的数学形式并无特殊的假定, 这种情况称为 “非 参数回归”. 另一种情况, 即目前在应用上最多见的情况, 是假定 \(f\) 的数学形式已知, 只其中若干个参数末知. 例如, \(p=2\), 而已知 \(f\left(x_{1}, x_{2}\right)\) 形如
其中 \(c_{1}, \cdots, c_{4}\) 是末知参数, 要通过观察值去估计. 这种情况称为 “参数回归”. 其中在应用上最重要且在理论上发展得最完善的特
- 以往我们定义条件期望时, 是假定所有的变量都为随机的. 如今自变量 \(X_{1}, \cdots\), \(X_{p}\) 并非随机, 故记号 \(E\left(Y \mid X_{1}, \cdots, X_{p}\right)\) 只是一种借用. 可以简单地理解为: \(Y\) 的分布 依赖于参数 \(X_{1}, \cdots, X_{p}\), 故其期望值也应与 \(X_{1}, \cdots, X_{p}\) 有关. 例, 是 \(f\) 为线性函数的情形:
这种情况叫做“线性回归”, 是我们今后讨论的主要对象. 线性回归 的限制看来较强. 不过, 如果自变量变化的范围不太大, 而曲面 \(y\) \(=f\left(x_{1}, \cdots, x_{p}\right)\) 弯曲的程度边不过分, 则在较小的范围内, 它可以 近似地用一个平面 (即线性函数) 去代替之, 而不致引起过大的误 差. 其次,有些形式上看是非线性的回归函数, 可能通过自变量的 代换转化为线性的, 见 6.3 节. 因此,线性回归模型有比较大的适 用面, 加之它处理上简便, 成为一个极其重要的模型.
对随机误差 \(e\), 我们已假定其均值 \(E(e)=0 . e\) 的方差 \(\sigma^{2}\) 是回 归模型的一重要参数, 因为
\(\sigma^{2}\) 愈小, 用 \(f\left(X_{1}, \cdots, X_{p}\right)\) 逼近 \(Y\) 所导致的均方误差就愈小,回归 方程也就愈有用. \(\sigma^{2}\) 的大小由什么决定呢? 这就在于以下两点:
- 在选择自变量时, 是否把对因变量 \(Y\) 有重要影响的那些 都收进来了. 如果是这样, 则末被考虑的即作为随机误差去处理的 那些因素, 总的起作用就较小, 因而 \(\sigma^{2}\) 也就会较小.反之, 若遗漏 了或因条件关系,使某些对 \(Y\) 有重要影响的因素末被考虑,则其 影响进人随机误差 \(e\), 将导致 \(\sigma^{2}\) 增大.
- 回归函数的形状是否选得准. 比如, 理论回归函数 \(f\left(x_{1}\right.\), \(\left.\cdots, x_{p}\right)\) 本是 \(\cdots\) 个非线性函数, 而你用一个线性函数 \(g\left(x_{1}, \cdots\right.\), \(\left.x_{p}\right)\), 则二者的差距 \(f-g\) 就作为一种误差进入 \(e\) 内, 而加大了它 的亦差.
因此在应用上, 通过观察数据对误差方差 \(\sigma^{2}\) 作估计, 也是很 重要的. 如果估计值很大, 超过了该项应用所能承受的范围, 则估 计所得的回归方程意义就不大. 在这个时候, 就有必要再考虑一下 自变量的选择是否抓着了主要因素, 以及所用的回归方程的形式 是否太不符合实际.
如果要处理有关的检验和区间估计问题, 比方说, 取定了线性 回归函数 \(b_{0}+b_{1} x_{1}+\cdots+b_{p} x_{p}\), 有对末知系数 \(b_{i}\) 等作假设检验和 区间估计的问题, 则只有在假定随机误差 \(e\) 服从正态分布 \(N\left(0, \sigma^{2}\right)\) 时, 才有满意的小样本方法. 因此, 在实用回归分析中, 常 假定误差服从正态分布. 经验证明: 对多数应用问题来说,这个假 定是可以接受的, 如果没有这个假定, 那就需要使用大样本方法.
回归分析的应用, 可以归纳为以下几方面.
第一方面是纯描述性的. 为简单计, 以一个自变量 \(X\) 的情况为例, 因变量总 记为 \(Y\). 假定在工作中我们经常要记录 \(X\) 和 \(Y\) 之值(比如说, \(X\) 代表月份, \(Y\) 代 表该月的产值), 而积累了一批数据 \(\left(X_{1}\right.\), \(\left.Y_{1}\right),\left(X_{2}, Y_{2}\right), \cdots,\left(X_{n}, Y_{n}\right)\). 把它们标 在直角坐标系上, 称为散点图. 这往往是
图 6.1 杂乱无章的, 但仍可能有某种趋势存在. 如图 6.1 中的点虽系杂乱 无章, 但大体呈现出一种直线走向的趋势. 用回归分析的方法可找 出一条较好地代表这些点的走向的直线 \(l\). 在一定程度上, 这条直 线 \(l\) 描述了所观察到的这批数据所遵从的规律, 虽不十分准确, 但 有时很有用.
这种应用之所以称为描述性的, 是因为它只是对数据的一种 “总结”, 它只涉及现有数据, 不超出其外, 用统计的语言说, 它并不 企图对数据 \(\left(X_{1}, Y_{1}\right), \cdots,\left(X_{n}, Y_{n}\right)\) 所来自的总体作任何推断.
第二方面是估计回归函数 \(f\). 仍拿人的身高 \(X\) 和体重 \(Y\) 这个 例子来说, 姑且把 \(X\) 视为自变量而 \(Y\) 为因变量. 若假定 \((X, Y)\) 服 从二维正态分布, 则如在第二章中已证明的, \(Y\) 对 \(X\) 的回归函数 \(f(x)\), 即条件期望 \(E(Y \mid X=x)\), 为 \(x\) 的线性函数 \(b_{0}+b_{1} x\). 如果 通过样本对 \(b_{0}\) 和 \(b_{1}\) 作出了估计 \(\hat{b}_{0}\) 和 \(\hat{b}_{1}\), 则用 \(\hat{b}_{0}+\hat{b}_{1} x\) 去估计 \(b_{0}+b_{1} x\). 在本例中, 后者就是在身高为 \(x\) 的人群中的平均体重. 这在应用上很有意义,因为在不少问题中, 我们所关心的正是这个 平均值. 再拿亩产 \(Y\) 与播种量 \(X_{1}\) 与施肥量 \(X_{2}\) 的关系这个例子 来说,也许我们所关心的正是在一定播种量 \(x_{1}\) 和一定施肥量 \(x_{2}\) 之下, 平均亩产能达到多少. 这就是 \(Y\) 对 \(X_{1}, X_{2}\) 的回归函数 \(f\left(x_{1}, x_{2}\right)\).
第三方面是预测, 即在特定的自变量值 \(\left(x_{10}, \cdots, x_{p 0}\right)\) 之下, 去 预测因变量 \(Y\) 将取的值 \(y_{0}\). 例如, 随意碰到一个人测出其身高为 \(x_{0}\), 而没有秤其体重或秤了没有把结果告诉你, 让你去预测这人 体重有多少. 这与估计身高为 \(x_{0}\) 的人群的平均体重 \(f\left(x_{0}\right)=\) \(E\left(Y \mid X=X_{0}\right)\) 不同. 后者并非特定的一个身高为 \(x_{0}\) 的人的体重, 而是全体这样的人体重的平均值,而预测的对象则是这个特定的 人的体重. 从模型上可以这样看: 设在 \(X=X_{0}\) 处进行观察, 随机 误差为 \(e_{0}\), 而 \(Y\) 之值为 \(y_{0}\), 则 \(y_{0}=f\left(x_{0}\right)+e_{0}\). 为了预测 \(y_{0}\), 需要 对 \(f\left(x_{0}\right)\) 进行估计, 同时也对随机误差值 \(e_{0}\) 作估计, 把二者相加 得出 \(y_{0}\). 随机误差 \(e_{0}\) 之值凭机会而定, 没有什么好的估计方法, 只能根据其均值为 0 这一点, 将其值估计为 0 . 于是 \(Y\) 的预测值就 取为回归函数 \(f(x)\) 在这个点 \(x_{0}\) 处的估计 \(\hat{f}\left(x_{0}\right)\).
由这里得出两条结论: 一是预测问题与回归函数问题虽然在 实质上很不一样 (如前面所曾解释的), 但二者之解则一样. 因为这 一点, 有些著作没有强调这二者的区别所在.二是预测的精度要比 估计回归函数的精度差. 因为在预测中,除了估计回归函数有一个 误差外, 还要加上一个随机误差 \(e_{0}\). 这一点在考虑区间估计时能 更清楚地看出来.
第四方面是控制. 在这类应用中, 不妨把自变量解释为输入 值, 因变量解释为输出值. 目标是要把输出值控制在给定的水平 \(y_{0}\). 若通过数据估计出了经验回归方程 \(y=\hat{f}\left(x_{1}, \cdots, x_{p}\right)\), 则根据 这方程可调整自变量 \(X_{1}, \cdots, X_{p}\) 的取值, 以达到上述目的. 例如, 自变量 \(X\) 是用药量, 而 \(Y\) 是某种生理指标, 例如血压, 调整用药 量以使血压达到某种认为是正常的水平.
我们提一下 “回归设计”这个概念. 为了估计理论回归函数 \(f\left(x_{1}, \cdots, x_{p}\right)\), 需要对自变量 \(X_{1}, \cdots, X_{p}\) 和因变量 \(Y\) 进行观测. 有 两种情况: 一是自变量也是随机的, 如人的身高体重那个例子, 这 时除了一般地保证抽样的随机性以外, 就没有多少可做的事情了. 例如在一大群人中抽取若干以量测其身高体重, 则只须尽力保证 人群中的每一个有同等的被抽出的机会.
另一种情况是自变量是非随机的, 其取值在一定限度内可由 人去控制, 这时, 为保证取得最大的效果,应对自变量在各次试验 中所取的值进行适当的规划. 例如, 若在将来的应用中自变量多取 某区域 \(B\) 上之值,则在进行试验时就要让自变量多在这个范围内 取值. 也可以设想,试验点在空间的排列可能需要有某种对称性, 以便于统计分析. 这些问题的研究构成了回归分析的一个分支,叫 做回归设计, 它也可以看作是试验设计这个统计学分支的一个组 成部分,本章将不讨论这方面的问题.
最后我们来解释一下“回归”这名称的由来.这个术语是英国 生物学家兼统计学家 F. 高尔顿在 1886 年左右提出来的. 人们大 概都注意到, 子代的身高与其父母之身高有关. 高尔顿以父母之平 均身高 \(X\) 作为自变量,某成年子女身高的平均 \(Y\) 为因变量. 他观 察了 1074 对父母及某成年子女身高的平均, 将所得 \((X, Y)\) 值标 在直角坐标系上, 发现二者的关系近乎一条直线,有如图 6.1. 总 的趋势是 \(X\) 增加时 \(Y\) 倾向于增加一一这是意料中的结果. 有意思 的是, 高尔顿对所得数据作了深人一层的考察, 而发现了某种有趣 的现象.
高尔顿算出这 1074 个 \(X\) 值的算术平均为 \(\bar{X}=68\) 英寸 (1 英 寸为 2.54 厘米), 而 1074 个 \(Y\) 值的算术平均为 \(\bar{Y}=69\) 英寸, 子代 身高平均说增加了 1 英寸, 这个趋势现今人们也已注意到. 以此为 据, 人们可能会这样推想: 如果父母平均身高为 \(a\) 英寸,则这些父 母的子代平均身高,应为 \(a+1\) 英寸, 即比父代多 1 英寸. 但高尔 顿观察的结果与此不符: 他发现: 当父母平均身高为 72 英寸时, 他 们的子代身高平均只有 71 英寸, 不仅达不到预计的 \(72+1=73\) 英 寸, 反而比父母平均身高小了.反之, 若父母平均身高为 64 英寸, 则观察数据显示子代平均身高为 67 英寸, 比预计的 \(64+1=65\) 英 寸要多.
高尔顿对此的解释是: 大自然有一种约束机制, 使人类身高分 布保持某种稳定形态而不作两极分化. 这就是一种使身高“回归于 中心”的作用.例如, 父母身高平均为 72 英寸, 比他们这一代平均 身高 68 英寸高出许多, “回归于中心”的力量把他们子代的身高拉 回来一些: 其平均只有 71 英寸, 反比父母平均身高小, 但仍超过子 代全体平均 69 英寸.反之, 当父母平均身高只有 64 英寸一一远低 于他们这一代的平均值 68, 而“回归于中心”的力量将其子代身高 拉回去一些, 其平均值达到 67 , 增长了 3 英寸, 但仍低于子代全体 平均值 69 .
正是通过这个例子, 高尔顿引人了回归这个名词. 现在我们觉 得, 高尔顿的例子只反映了变量关系中的一种情况, 在其他涉及变 量关系的众多情况中,多不必如此,故拿这个名称作为变量关系统 计分析的称呼, 实不见得恰当. 但这个名词现今已沿用成习, 如硬 要改变, 反觉多此一举了.
评论
登录github的账号后,可以直接在下方评论框中输入。
如果想进行更详细的讨论(如排版、上传图片等),选择一个反应后并点击上方的文字,进入论坛页面。