For nemt at kunne henvise til regressionsodellen i
Statistisk Model 7.1.2 betegner jeg
den her med . Modellen siger
og for at lave skøn over parametrene og
opstiller vi
som i afsnit 4.3 likelihoodfunktionen og
maksimerer denne.
Da de målinger antages uafhængige, er likelihoodfunktionen
produktet af tætheder,
For at finde maksimum af denne med hensyn til og
skal vi minimere
hvorfor dette kaldes mindste kvadraters metode (som
i afsnit 4.3).
Vi differentierer med hensyn til og og
sætter de afledede lig med nul. Løsningen til de to ligninger er
hvor de to gennemsnit er og
Det vil være bekvemt at bruge følgende
notation
hvor SSD står for Sum of Squared Deviations.
Værdien kaldes den 'te
forventede værdi (middelværdien med parameterskøn indsat),
og
kaldes det 'te residual.Indsættes og i
og maksimeres med hensyn til fås
Ligesom i
afsnit 4.3
ændrer vi divisor her og bruger skønnet givet ved
På denne måde opnås, at betragtet som en stokastisk
variabel, har middelværdi (dette omtales ofte
som, at variansskønnet er
unbiased). Nedre indeks "r" står for regression.I Eksempel 7.2.2 nedenfor laves en figur med data fra
Eksempel 7.1.1, med den estimerede linje indtegnet og
med to parallelle linjer i afstanden For at kunne bruge skønnene til at lave inferens om parametrene
skal vi kende fordelingen af de tilhørende stokastiske variable.
Resultat 7.2.1.
(Fordeling af skøn i lineær regressionsmodel)
I regressionsmodellen
uafhængige, gælder der, at
og er uafhængig af
Jeg vil her kort forklare det første resultat, da det peger frem mod et
generelt resultat i næste kapitel. Fra (7.2.1) kan vi skrive
Her er -erne faste tal (ikke-stokastiske), og vi betragter altså
en linearkombination af uafhængige normalfordelte variable. Fra
regnereglerne i afsnit 4.1
gælder der således, at er normalfordelt. Vi
skal nu blot eftervise, at middelværdi og varians er som angivet i
Resultat 7.2.1. Dette følger af, at
og
Fordelingen for findes på helt tilsvarende vis. For
gælder der, at
og man kan matematisk vise, at når vi indsætter
og mister
vi to frihedgrader (der estimeres to parametre), så
7.2.1 Modelkontrol
For at vurdere, om den lineære sammenhæng giver en god beskrivelse
af data, laver man ofte et residualplot.
I denne figur afsættes residualerne mod de forklarende værdier
Man kigger efter to ting. For det første om der er systematiske
afvigelser fra nullinjen, altså om der er områder, hvor de fleste af
residualerne enten ligger over eller ligger under nullinjen.
Dette vil være et udtryk for, at sammenhængen er mere kompliceret
end blot en lineær sammenhæng.
For det andet kigger man efter, om der er områder, hvor residualerne
spreder sig mere end i andre områder. Dette vil pege mod, at antagelsen
om den samme varians på alle observationerne ikke
er korrekt. Man kan også lave et qqplot af residualerne
for at vurdere, om normalfordelingsantagelsen er rimelig.
Eksempel 7.2.2.
(Forurening i vandprøver)
Vi fortsætter med data fra Eksempel 7.1.1, hvor xGlu
er responsvariabel og tColi er forklarende variabel.
Data beskrives
med Statistisk Model 7.1.2,
Fra formlerne ovenfor fås og
Først laver vi en figur med regressionslinjen indtegnet
og to parallelle linjer i afstanden
Residualplottet tyder hverken på systematiske afvigelser fra en lineær
sammenhæng eller på områder med forskellig varians. QQplottet af
residualerne giver ikke anledning til bekymring med hensyn til
normalfordelingsantagelsen, selvom der måske er en svag tendens til
"lette haler".