Skip to article frontmatterSkip to article content
Site not loading correctly?

This may be due to an incorrect BASE_URL configuration. See the MyST Documentation for reference.

10.2 线性回归模型

本章重点讨论线性回归模型的拟合。设我们希望建立一个经验模型,描述聚合物黏度与温度、催化剂进料速率之间的关系。一个可能的模型是

y=β0+β1x1+β2x2+ϵ(10.1)y=\beta_{0}+\beta_{1}x_{1}+\beta_{2}x_{2}+\epsilon\tag{10.1}

其中,yy 表示黏度,x1x_{1} 表示温度,x2x_{2} 表示催化剂进料速率。这是一个含两个自变量的多元线性回归模型。自变量也常称为预测变量或回归变量。称其为“线性”,是因为式(10.1)关于未知参数 β0,β1,β2\beta_{0},\beta_{1},\beta_{2} 是线性的。该模型在 x1,x2x_{1},x_{2} 所构成的空间中描述一个平面。参数 β0\beta_{0} 确定该平面的截距。β1\beta_{1} 和 β2\beta_{2} 有时称为偏回归系数:保持 x2x_{2} 不变时,β1\beta_{1} 表示 x1x_{1} 每增加一个单位所对应的 yy 的期望变化;保持 x1x_{1} 不变时,β2\beta_{2} 则表示 x2x_{2} 每增加一个单位所对应的 yy 的期望变化。

更一般地,响应变量 yy 可以与 kk 个回归变量有关。模型

y=β0+β1x1+β2x2+⋯+βkxk+ϵ(10.2)y=\beta_{0}+\beta_{1}x_{1}+\beta_{2}x_{2}+\cdots+\beta_{k}x_{k}+\epsilon\tag{10.2}

称为含 kk 个回归变量的多元线性回归模型。参数 βj\beta_{j}(j=0,1,…,kj=0,1,\ldots,k)称为回归系数。该模型在回归变量 {xj}\{x_{j}\} 所构成的 kk 维空间中描述一个超平面。当其他所有自变量 xix_{i}(i≠ji\ne j)保持不变时,βj\beta_{j} 表示 xjx_{j} 每增加一个单位所对应的响应 yy 的期望变化。

有些模型看起来比式(10.2)复杂,但仍可用多元线性回归方法分析。例如,在含两个变量的一阶模型中加入交互作用项,得到

y=β0+β1x1+β2x2+β12x1x2+ϵ(10.3)y=\beta_{0}+\beta_{1}x_{1}+\beta_{2}x_{2}+\beta_{12}x_{1}x_{2}+\epsilon\tag{10.3}

令 x3=x1x2x_{3}=x_{1}x_{2},β3=β12\beta_{3}=\beta_{12},则式(10.3)可写为

y=β0+β1x1+β2x2+β3x3+ϵ(10.4)y=\beta_{0}+\beta_{1}x_{1}+\beta_{2}x_{2}+\beta_{3}x_{3}+\epsilon\tag{10.4}

这就是一个含三个回归变量的标准多元线性回归模型。回顾第 6、7、8 章,我们曾在多个例子中用式(10.2)和式(10.4)一类的经验模型定量表达二水平因子设计的结果。再看一个例子:含两个变量的二阶响应面模型为[1]

y=β0+β1x1+β2x2+β11x12+β22x22+β12x1x2+ϵ(10.5)y=\beta_{0}+\beta_{1}x_{1}+\beta_{2}x_{2}+\beta_{11}x_{1}^{2}+\beta_{22}x_{2}^{2}+\beta_{12}x_{1}x_{2}+\epsilon\tag{10.5}

令 x3=x12x_{3}=x_{1}^{2},x4=x22x_{4}=x_{2}^{2},x5=x1x2x_{5}=x_{1}x_{2},以及 β3=β11\beta_{3}=\beta_{11}、β4=β22\beta_{4}=\beta_{22}、β5=β12\beta_{5}=\beta_{12},则它变为

y=β0+β1x1+β2x2+β3x3+β4x4+β5x5+ϵ(10.6)y=\beta_{0}+\beta_{1}x_{1}+\beta_{2}x_{2}+\beta_{3}x_{3}+\beta_{4}x_{4}+\beta_{5}x_{5}+\epsilon\tag{10.6}

这也是一个线性回归模型。前文的例子中也曾出现过这种模型。一般而言,不论产生的响应面形状如何,只要回归模型关于参数(各个 β\beta)是线性的,它就是线性回归模型。

本章将概述如何估计多元线性回归模型中的参数,这一过程通常称为模型拟合。前面几章已经用到过其中一些结果,本章会给出推导。此外,我们还将讨论模型的假设检验、置信区间的构造,以及如何检查模型拟合是否充分。重点是回归分析中对试验设计有用的部分。关于回归分析的更完整论述,可参见 Montgomery、Peck 和 Vining(2012)以及 Myers(1990)。

Footnotes
  1. 译者注:第 9 版原书式(10.5)第三项印为 β2xx\beta_2x_x;根据同式及下文的变量定义,应为 β2x2\beta_2x_2,译文据此修正。