一元线性回归模型控制方程求解
第三章 一元线性回归模型
第三章 一元线性回归模型一、预备知识(一)相关概念对于一个双变量总体,若由基础理论,变量和变量之间存在因果),(i i x y x y 关系,或的变异可用来解释的变异。
为检验两变量间因果关系是否存在、x y 度量自变量对因变量影响的强弱与显著性以及利用解释变量去预测因变量x y x ,引入一元回归分析这一工具。
y 将给定条件下的均值i x i yi i i x x y E 10)|(ββ+=(3.1)定义为总体回归函数(PopulationRegressionFunction,PRF )。
定义为误差项(errorterm ),记为,即,这样)|(i i i x y E y -i μ)|(i i i i x y E y -=μ,或i i i i x y E y μ+=)|(i i i x y μββ++=10(3.2)(3.2)式称为总体回归模型或者随机总体回归函数。
其中,称为解释变量x (explanatory variable )或自变量(independent variable );称为被解释y 变量(explained variable )或因变量(dependent variable );误差项解释μ了因变量的变动中不能完全被自变量所解释的部分。
误差项的构成包括以下四个部分:(1)未纳入模型变量的影响(2)数据的测量误差(3)基础理论方程具有与回归方程不同的函数形式,比如自变量与因变量之间可能是非线性关系(4)纯随机和不可预料的事件。
在总体回归模型(3.2)中参数是未知的,是不可观察的,统计计10,ββi μ量分析的目标之一就是估计模型的未知参数。
给定一组随机样本,对(3.1)式进行估计,若的估计量分别记n i y x i i ,,2,1),,( =10,),|(ββi i x y E 为,则定义3.3式为样本回归函数^1^0^,,ββi y ()i i x y ^1^0^ββ+=n i ,,2,1 =(3.3)注意,样本回归函数随着样本的不同而不同,也就是说是随机变量,^1^0,ββ它们的随机性是由于的随机性(同一个可能对应不同的)与的变异共i y i x i y x 同引起的。
一元线性回归方程求解
一元线性回归方程求解1、典型的一元线性回归方程为y=a+bx ,已知一组数据: y 1,,y 2,…y n ; x 1,x 2,…x n ,基本上呈线性关系。
求他们之间的函数公式。
2 、nx x i∑=ny y ∑i=S xx =∑x i 2-n1(∑x i )2 S yy =∑y i 2-n1(∑y i )2 S xy =∑x i y i -n1(∑x i )(∑y i ) b= S xy / S xx a=y -b x 3 、相关性检验采用相关系数r ,r 是介于0~1之间的小数,越接近于1,线性方程的准确性越高,一般工程上要大于0.95.S R =bS xy S e =S yy - S R r=(1-Se/S r )4、回归方程求解比较繁琐,有条件的可编制电脑程序,也可采用execl 表格计算。
例题;某计量单位标定千斤顶,压力表读数P (Mpa )和千斤顶顶力N (KN )基本呈线性关系,N=a+Bp数据及计算见下表nx x i∑==385/11=35 ny y ∑i==9544.225/11=867.66S xx =∑x i 2-n 1(∑x i )2=16225-3852/11=2750S yy =∑y i 2-n 1(∑y i )2=10114588-9544.2252/11=1833476.1S xy =∑x i y i -n1(∑x i )(∑y i )=404988.88-385×9544.225/11=70941.005b= S xy / S xx =70941.005/2750=25.797 a=y -b x =867.66-25.797×35=-35.235 回归方程为N=-35.235+25.797PS R =bS xy =25.797×70941.005=1830065.11 S e =S yy - S R =1833476.1-1830065.11=3410.99 r=(1-Se/S r )=(1-3410.99/1830065.11)=0.999此回归方程的可信度非常高。
一元线性回归模型
1 n ˆ xi )2 = 1 ( Lyy − bLxy ). ˆ ˆ 即 σ = ∑ ( yi − a − b ˆ n i =1 n
2
n σ 2. 而σ 的无偏估计是 ˆ n−2
2
∴σ ˆ
*2
n 1 2 ˆ σ = ( Lyy − bLxy ). = ˆ n−2 n−2
ex1. 设有一组观察值如下,求回归方程 设有一组观察值如下,求回归方程.
ˆ ˆ ˆ 对于x0可得 y0 = a + bx0 , 称其为 Y0的点预测.
( 2) Y0的区间估计 : 选取 T =
σ* ˆ
ˆ Y0 − y0 ~ t ( n − 2) 2 1 ( x0 − x ) 1+ + n Lxx
对于任意给定的 0 < α < 1, 有 P { T < tα ( n − 2)} = 1 − α .
研究变量间的相关关系,确定回归函数, 研究变量间的相关关系,确定回归函数,由此预测和控 制变量的变化范围等就是回归分析。 制变量的变化范围等就是回归分析。 研究两个变量间的相关关系,称为一元回归分析; 研究两个变量间的相关关系,称为一元回归分析; 研究多个变量间的相关关系,称为多元回归分析; 研究多个变量间的相关关系,称为多元回归分析; 若回归函数为线性函数,则称为线性回归分析。 若回归函数为线性函数,则称为线性回归分析。
所以y与 之间显著地存在线性关系 之间显著地存在线性关系. 所以 与x之间显著地存在线性关系
四、一元线性回归模型的应用—预测与控制 一元线性回归模型的应用 预测与控制 1. 预测问题
(根据 = a + bx + ε , 研究 = x0时如何估计 0 ) Y x Y
(1) Y0的点估计 :
第3节一元线性回归的预测与控制
y2 y1 2 S
1 1 ( x0 x)2
n
l xx
由上式可以解出形如 x1 x x2 的结论. 11
当n较大时,预测区间为 ( yˆ u / 2 S, yˆ u / 2 S ). 即:
y1 y2
aˆ aˆ
bˆx bˆx
u u
n
l xx
5
记 ( x) S 1 1 ( x0 x)2 ,
n
l xx
1( x) yˆ ( x) 2( x) yˆ ( x)
对于任意的 x,Y a bx 的1 预测区间为:
( yˆ ( x),yˆ ( x)) .
.
12
y
L2 : y yˆ u S
y2
yˆ aˆ bˆx
yˆ
L1 : y yˆ u / 2S
y1
o
x1
x x2 x
13
练习:
P240 习题七
14
根据要求的不同,有两类预测的方法,分别是 点预测和区间预测 .
点预测的方法是:以 x = x0 代入回归方程,即 得 y 的点估计值(点预测值)为:
Y0 yˆ aˆ bˆx0 .
3
为了知道预测的精确性与可靠性,在实际应用中, 还需要对Y0作区间估计,即对于给定的置信度 1 , 求出Y0的置信区间,称为预测区间 .
第三节
1
如果变量 Y 与 x 之间的线性相关关系显著,利用
观测数据 ( x1 , y1 ), ( x2 , y2 ), , ( xn , yn )
求出的线性回归方程
yˆ aˆ bˆx
一元线性回归模型(计量经济学)
总体回归函数说明被解释变量Y的平均状 态(总体条件期望)随解释变量X变化的 规律。至于具体的函数形式,则由所考 察的总体的特征和经济理论来决定。
在例2.1中,将居民消费支出看成是其可 支配收入的线性函数时,该总体回归函
数为: E (Y |X i)01 X i
它是一个线性函数。其中,0,1是未知
第二章 经典单方程计量经济学模型: 一元线性回归模型
§2.1 回归分析概述 §2.2 一元线性回归模型的基本假设 §2.3 一元线性回归模型的参数估计 §2.4 一元线性回归模型的统计检验 §2.5 一元线性回归模型的预测 §2.6 一元线性回归建模实例
§2.1 回归分析概述
一、变量间的关系及回归分析的基本概念 二、总体回归函数 三、随机扰动项 四、样本回归函数
1430 1650 1870 2112
1485 1716 1947 2200
2002
2420 4950 11495 16445 19305 23870 25025 21450 21285 15510
一个抽样
由于调查的完备性,给定收入水平X的消费 支出Y的分布是确定的。即以X的给定值为条 件的Y的分布是已知的,如 P(Y=561 | X = 800) =1/4。 进而,给定某收入Xi,可得消费支出Y的条 件均值,如 E(Y | X = 800) =605。 这样,可依次求出所有不同可支配收入水平 下相应家庭消费支出的条件概率和条件均值 ,见表2.1.2.
相关分析主要研究随机变量间的相关形式 及相关程度。变量间的相关程度可通过计 算相关系数来考察。
具有相关关系的变量有时存在因果关系,
这时,我们可以通过回归分析来研究它们
之间的具体依存关系。
课堂思考题
一元线性回归方程
北京市城市居民家庭生活抽样调查表1 14 12 10 8 6 4 2 0 1976 1978 1980 1982 1984 1986 1988
Y: 人 均 收 入
x:年份
北京市城市居民家庭生活抽样调查图表 2 10 8 6 4 2 0 0 2 4 6 8
Y:人均食品支出
10 12 14 16 18
Fα (1,n-2),得否定域为F >Fα (1,n-2);
4.代入样本信息,F落入否定域则否定原假设, 线性关系显著;落入接受域则接受原假设, 线性关系不显著.
相关系数检验法: 相关系数检验法:
1.提出原假设:H0:b=0; lxy 2.选择统计量 R = lxxl yy 3.对给定的显著性水平α,查临界值rα (n-2), 得否定域为R >rα (n-2); 4.代入样本信息,R落入否定域则否定原假设,线性关 系显著;落入接受域则接受原假设,线性关系不显著.
第二节
一元线性回归方程
一 回归直线方程
两个变量之间的线性关系,其回归模型为: 两个变量之间的线性关系,其回归模型为:
yi = a + bxi + εi
ε 称为 y称为因变量,x称为自变量,
随机扰动,a,b称为待估计的回归参 数,下标i表示第i个观测值。
对于回归模型,我们假设:
εi ~ N( 0,σ ),i = 1,2,⋯,n E( εiε j ) = 0,i ≠ j
pt
qt
概率 0.25 0.50 0.25 0.25 0.50 0.25 … 0.25 0.50 0.25
qt = 11 − 4 pt+ εt
其中
这时, 这时,方程的形式为
εt
为随机变量. 为随机变量
一元线性回归方程的建立
第二节一元线性回归方程的建立一元线性回归分析是处理两个变量之间关系的最简单模型,它所研究的对象是两个变量之间的线性相关关系。
通过对这个模型的讨论,我们不仅可以掌握有关一元线性回归的知识,而且可以从中了解回归分析方法的基本思想、方法和应用。
一、问题的提出例2-1-1 为了研究氮含量对铁合金溶液初生奥氏体析出温度的影响,测定了不同氮含量时铁合金溶液初生奥氏体析出温度,得到表2-1-1给出的5组数据。
表2-1-1 氮含量与灰铸铁初生奥氏体析出温度测试数据如果把氮含量作为横坐标,把初生奥氏体析出温度作为纵坐标,将这些数据标在平面直角坐标上,则得图2-1-1,这个图称为散点图。
从图2-1-1可以看出,数据点基本落在一条直线附近。
这告诉我们,变量X与Y的关系大致可看作是线性关系,即它们之间的相互关系可以用线性关系来描述。
但是由于并非所有的数据点完全落在一条直线上,因此X与Y的关系并没有确切到可以唯一地由一个X值确定一个Y值的程度。
其它因素,诸如其它微量元素的含量以及测试误差等都会影响Y 的测试结果。
如果我们要研究X与Y的关系,可以作线性拟合(2-1-1)二、最小二乘法原理如果把用回归方程计算得到的i值(i=1,2,…n)称为回归值,那么实际测量值y i与回归值i之间存在着偏差,我们把这(i=1,2,3,…,n)。
这样,我们就可以用残差平种偏差称为残差,记为e i方和来度量测量值与回归直线的接近或偏差程度。
残差平方和定义为: (2-1-2) 所谓最小二乘法,就是选择a和b使Q(a,b)最小,即用最小二乘法得到的回归直线是在所有直线中与测量值残差平方和Q最小的一条。
由(2-1-2)式可知Q是关于a,b的二次函数,所以它的最小值总是存在的。
下面讨论的a和b的求法。
第三节 利用一元线性回归方程进行预测和控制
若记 ( x )
1 (x x) t ( n 2) S 1 n Lxx 2
2
ˆ ( x ) , y2 ( x ) y ˆ (x) y1 ( x ) y
y
ˆ (x) y1 ( x ) y
ˆx ˆa ˆb y
ˆ0 y
y
ˆ (x) y2 ( x ) y
取随机变量
T
ˆ0 y0 y 1 ( x0 x ) 2 S 1 n Lxx
S剩 ˆx ˆ0 a ˆb 其中,S , y 0 n 2 可以证明:当i ~ N(0 , 2) (i=1,2 , … ,n ) 且相互独立时,随机变量T服从自由度为n-2的 t分布 对给定的置信度1-,作概率等式 P{| t | t ( n 1)} 1 ,
y
y2
y 2 ( x) y ( x) ( x)
M
y a b x y1 ( x) y( x) ( x)
y1
0
N
x1
x2
x
(b 0 )
, y2 处分别画两条水平线, 它们分别交曲线 从 y1
y1 ( x)、 y2 ( x) 于N、M ,再过这两点分别画垂线交x 轴
第九章
§9.3
一元线性回归
利用一元线性回归方程进行 预测和控制
一、预测 1、点预测 就是对x=x0时y的精确值y0=a+bx0+0作出点估 ˆx 计,即将x=x0代入回归方程,求得 y ˆ0 a ˆb 0 ˆ 0 作为y0的估计值,这就是点预 将y 测。 2、区间预测 就是区间估计,即在给定的置信度下求出精 确值y0的置信区间,称为y0的区间预测。
计量经济学第二篇一元线性回归模型
第二章 一元线性回归模型2.1 一元线性回归模型的基本假定有一元线性回归模型(统计模型)如下, y t = β0 + β1 x t + u t上式表示变量y t 和x t 之间的真实关系。
其中y t 称被解释变量(因变量),x t 称解释变量(自变量),u t 称随机误差项,β0称常数项,β1称回归系数(通常未知)。
上模型可以分为两部分。
(1)回归函数部分,E(y t ) = β0 + β1 x t ,(2)随机部分,u t 。
图2.1 真实的回归直线这种模型可以赋予各种实际意义,居民收入与支出的关系;商品价格与供给量的关系;企业产量与库存的关系;身高与体重的关系等。
以收入与支出的关系为例。
假设固定对一个家庭进行观察,随着收入水平的不同,与支出呈线性函数关系。
但实际上数据来自各个家庭,来自同一收入水平的家庭,受其他条件的影响,如家庭子女的多少、消费习惯等等,其出也不尽相同。
所以由数据得到的散点图不在一条直线上(不呈函数关系),而是散在直线周围,服从统计关系。
“线性”一词在这里有两重含义。
它一方面指被解释变量Y 与解释变量X 之间为线性关系,即另一方面也指被解释变量与参数0β、1β之间的线性关系,即。
1ty x β∂=∂,221ty β∂=∂0 ,1ty β∂=∂,2200ty β∂=∂2.1.2 随机误差项的性质随机误差项u t 中可能包括家庭人口数不同,消费习惯不同,不同地域的消费指数不同,不同家庭的外来收入不同等因素。
所以在经济问题上“控制其他因素不变”是不可能的。
随机误差项u t 正是计量模型与其它模型的区别所在,也是其优势所在,今后咱们的很多内容,都是围绕随机误差项u t 进行了。
回归模型的随机误差项中一般包括如下几项内容: (1)非重要解释变量的省略,(2)数学模型形式欠妥, (3)测量误差等,(4)随机误差(自然灾害、经济危机、人的偶然行为等)。
2.1.3 一元线性回归模型的基本假定通常线性回归函数E(y t ) = β0 + β1 x t 是观察不到的,利用样本得到的只是对E(y t ) =β0 + β1 x t 的估计,即对β0和β1的估计。
一元线性回归
第六讲 一元线性回归在客观世界中, 普遍存在着变量之间的关系.数学的一个重要作用就是从数量上来揭示、表达和分析这些关系。
而变量之间关系, 一般可分为确定的和非确定的两类. 确定性关系可用函数关系表示, 而非确定性关系则不然.例如, 人的身高和体重的关系、人的血压和年龄的关系、某产品的广告投入与销售额间的关系等, 它们之间是有关联的,但是它们之间的关系又不能用普通函数来表示。
我们称这类非确定性关系为相关关系。
具有相关关系的变量虽然不具有确定的函数关系,但是可以借助函数关系来表示它们之间的统计规律,这种近似地表示它们之间的相关关系的函数被称为回归函数。
回归分析是研究两个或两个以上变量相关关系的一种重要的统计方法。
在实际中最简单的情形是由两个变量组成的关系。
考虑用下列模型表示)(x f Y =. 但是,由于两个变量之间不存在确定的函数关系,因此必须把随机波动考虑进去,故引入模型如下ε+=)(x f Y其中Y 是随机变量,x 是普通变量,ε是随机变量(称为随机误差)。
回归分析就是根据已得的试验结果以及以往的经验来建立统计模型,并研究变量间的相关关系,建立起变量之间关系的近似表达式,即经验公式,并由此对相应的变量进行预测和控制等。
本节主要介绍一元线性回归模型估计、检验以及相应的预测和控制等问题。
一、引例为了研究某一化学反应过程中温度x 对产品得率Y 的影响. 测得数据如下:89857874706661545145%/190180170160150140130120110100/i i y C x 温度温度试研究这些数据所蕴藏的规律性.二、一元线性回归模型一般地,当随机变量Y 与普通变量x 之间有线性关系时, 可设εββ++=x Y 10, (1)),,0(~2σεN 其中10,ββ为待定系数。
设),(,),,(),,(2211n n Y x Y x Y x 是取自总体),(Y x 的一组样本,而),(,),,(),,(2211n n y x y x y x 是该样本的观察值,在样本和它的观察值中的n x x x ,,,21 是取定的不完全相同的数值,而样本中的n Y Y Y ,,,21 在试验前为随机变量,在试验或观测后是具体的数值,一次抽样的结果可以取得n 对数据),(,),,(),,(2211n n y x y x y x ,则有i i i x y εββ++=10, n i ,,2,1 = (2)其中n εεε,,,21 相互独立。
第2章一元线性回归模型
一元线性回归模型
回归分析是计量经济学的基础内容!
本章介绍一元线性回归模型,最小二乘估计方法及 其性质,参数估计的假设检验、预测等。
浙江财经大学 倪伟才
1
本章主要内容
2 .1 一元线性回归模型
2 .2 参数β0、β1的估计
2 .3 最小二乘估计的性质
2 .4 回归方程的显著性检验 2 .5 残差分析 2 .6 回归系数的区间估计
浙江财经大学 倪伟才 10
回归的术语
y的各种名称: 因变量(dependent variable)或被解释变量 (explained variable)或回归子(regressand)或内 生(endogenous); X的各种名称: 自变量(independent variable)或解释变量 (explanatory variable)或回归元(regressor)或外 生(exogenous) U的各种名称: 随机误差项或随机扰动项(stochastic error term, random disturbance term ): 表示其它因素的影响,是不可观测的随机误差!
浙江财经大学 倪伟才
9
2.1一元线性回归模型
由于两个变量y, x具有明显的线性关系,故考虑直 线方程y=0+1x(函数表达的是确定性关系,有缺 陷!) y=0+1x+u, 其中u表示除x外,影响y的其它一切 因素。 将y与x之间的关系用两部分来描述: a. 一部分0+1x ,由x的变化引起y变化; b.另一部分u ,除x外的其它一切因素引起y变化。 参数(parameters) 0 , 1 ; 0 称为回归常数(截距)(intercept, constant), 1称为回归斜率(slope)
计量经济学 第二章 一元线性回归模型
计量经济学第二章一元线性回归模型第二章一元线性回归模型第一节一元线性回归模型及其古典假定第二节参数估计第三节最小二乘估计量的统计特性第四节统计显著性检验第五节预测与控制第一节回归模型的一般描述(1)确定性关系或函数关系:变量之间有唯一确定性的函数关系。
其一般表现形式为:一、回归模型的一般形式变量间的关系经济变量之间的关系,大体可分为两类:(2.1)(2)统计关系或相关关系:变量之间为非确定性依赖关系。
其一般表现形式为:(2.2)例如:函数关系:圆面积S =统计依赖关系/统计相关关系:若x和y之间确有因果关系,则称(2.2)为总体回归模型,x(一个或几个)为自变量(或解释变量或外生变量),y为因变量(或被解释变量或内生变量),u为随机项,是没有包含在模型中的自变量和其他一些随机因素对y的总影响。
一般说来,随机项来自以下几个方面:1、变量的省略。
由于人们认识的局限不能穷尽所有的影响因素或由于受时间、费用、数据质量等制约而没有引入模型之中的对被解释变量有一定影响的自变量。
2、统计误差。
数据搜集中由于计量、计算、记录等导致的登记误差;或由样本信息推断总体信息时产生的代表性误差。
3、模型的设定误差。
如在模型构造时,非线性关系用线性模型描述了;复杂关系用简单模型描述了;此非线性关系用彼非线性模型描述了等等。
4、随机误差。
被解释变量还受一些不可控制的众多的、细小的偶然因素的影响。
若相互依赖的变量间没有因果关系,则称其有相关关系。
对变量间统计关系的分析主要是通过相关分析、方差分析或回归分析(regression analysis)来完成的。
他们各有特点、职责和分析范围。
相关分析和方差分析本身虽然可以独立的进行某些方面的数量分析,但在大多数情况下,则是和回归分析结合在一起,进行综合分析,作为回归分析方法的补充。
回归分析(regression analysis)是研究一个变量关于另一个(些)变量的具体依赖关系的计算方法和理论。
一元线性回归
一元线性回归
一、回归分析的基本思想 二、一元线性回归的数学模型 三、可化为一元线性回归的问题 四、小结
一、回归分析的基本思想
确定性关系 变量之间的关系 相 关 关 系
S πr 2
身高和体重
确定性关系 相关关系
相关关系的特征是:变量之间的关系很难用一 种精确的方法表示出来.
确定性关系和相关关系的联系
n
xi x
2 ( x x ) j j 1 n
var( y ) i
2
2
2 ( x x ) j j 1 n
1 xi x ˆ 0 y 1 x ( x ) yi n lxx
1 xi x ˆ Var ( 0 ) x lxx n
由于存在测量误差等原因,确定性关系在实际 问题中往往通过相关关系表示出来;另一方面,当对 事物内部规律了解得更加深刻时,相关关系也有可 能转化为确定性关系. 回归分析——处理变量之间的相关关系的一 种数学方法,它是最常用的数理统计方法.
回 归 分 析
线性回归分析
非线性回归分析
一元线性回归分析
多元线性回归分析 β1 = Nhomakorabea(x
i=1 n
n
i
x )( yi y ) ,
2 ( x x ) i i=1
β0 = y β1 x,
1 n 1 n 其中 x xi , y yi . n i 1 n i 1
记
l xx = ( xi x )2 ,
i=1
n
l yy = ( yi y )2 ,
2 x x x 2 2 i ˆ ˆ ˆ cov(y , 1 ) x cov(1 , 1 ) x nlxx l xx l xx
一元线性回归分析
9--36
判定系数与回归估计标准差的计算
根据前述计算公式计算判定系数与回归估计标准差 ,需先根据样本回归方程计算出 X 的各观测值 xi 对 应的回归估计值 yi ,计算过程比较繁琐。
借助于 EXCEL 的“回归”分析工具可轻松得到其数 值。显示在 EXCEL 的回归输出结果的第一部分
判定系数( R Square )
也称为可解释的平方和。
3. 残差平方和( SSE 、 Q )
反映除 x 以外的其他因素对 y 取值的影 响,
9--29
可决系数(判定系数 r2 或
R2 )
1. 可决系数 = 回归平方和占总离差平方和的
比例
r2
SSR SST
ቤተ መጻሕፍቲ ባይዱ
回归平方和 总离差平方和
1
残差平方和 总离差平方和
综合度量回归方程对样本观测值拟合优度, 衡量变量之间的相关程度。
称为古典线性回归模型。
9--12
2. 样本回归方程( SRF )
实际中只能通过样本信息去估计总体回归方程的参 数。
一
元
线
性回归的
yˆi ˆ
样
本ˆx回i
归
方
a
程
的形
bxi
式
:
ˆ a, ˆ b 是样本回归方程的截距和斜率
yˆ ; i 是与 xi 相对应的 Y 的条件均值的估计 ; 9--13
样本回归方程与总体回归方程之关系
i 1
n2
�n ( yi yˆi ) 2
i 1
n2
9--34
回归估计标准差的作用
1. 反映实际观察值在回归直线周围的分散状 况;反映因变量各实际值与其回归估计值之
计量经济学第二章经典单方程计量经济学模型:一元线性回归模型
第二章经典单方程计量经济学模型:一元线性回归模型一、内容提要本章介绍了回归分析的基本思想与基本方法。
首先,本章从总体回归模型与总体回归函数、样本回归模型与样本回归函数这两组概念开始,建立了回归分析的基本思想。
总体回归函数是对总体变量间关系的定量表述,由总体回归模型在若干基本假设下得到,但它只是建立在理论之上,在现实中只能先从总体中抽取一个样本,获得样本回归函数,并用它对总体回归函数做出统计推断。
本章的一个重点是如何获取线性的样本回归函数,主要涉及到普通最小二乘法(OLS)的学习与掌握。
同时,也介绍了极人似然估计法(ML)以及矩估计法(MM)。
本章的另一个重点是对样本回归函数能否代表总体回归函数进行统计推断,即进行所谓的统计检验。
统计检验包括两个方面,一是先检验样本回归函数与样本点的“拟合优度”, 第二是检验样本回归函数与总体回归函数的“接近”程度。
后者又包扌舌两个层次:第一,检验解释变量对被解释变量是否存在着显著的线性影响关系,通过变量的t检验完成:第二,检验回归函数与总体回归函数的“接近”程度,通过参数估计值的“区间检验”完成。
本章还有三方面的内容不容忽视。
其一,若干基本假设。
样本回归函数参数的估计以及对参数估计量的统计性质的分析以及所进行的统计推断都是建立在这些基本假设之上的。
其二,参数估计量统计性质的分析,包括小样本性质与大样本性质,尤其是无偏性、有效性与一致性构成了对样本估计量优劣的最主要的衡量准则oGoss-niarkov定理表明OLS估计量是最佳线性无偏估计量。
其三,运用样本回归函数进行预测,包扌舌被解释变量条件均值与个值的预测,以及预测置信区间的计算及其变化特征。
二、典型例题分析例1、令kids表示一名妇女生育孩子的数目,educ表示该妇女接受过教育的年数。
生育率对教育年数的简单回归模型为kids= 00 + P i educ+ “(1)随机扰动项〃包含什么样的因素?它们可能与教育水平相关吗?(2)上述简单回归分析能够揭示教育对生育率在其他条件不变卞的影响吗?请解释。
一元回归分析(第1讲)
x )( y i y )
i
x
i 1
n
i
y i nx y
ˆ 3、 1
(x
i 1
x ) yi
( xi x ) 2
OLSE的性质
1、线性:
ˆ 就是指估计量 ˆ0,1为随机变量y i 线性函数即: ˆ 0 ˆ 1 n n ( xi x ) y i
决定系数(coefficient of determination)
r2 SSR SSE 1 SST SST
取值范围:[0,1],越接近1,说明实际观测点离样本线越 近,拟合优度越高。
r2高并不表示模型选择正确。
决定系数的含义
• 可决系数定义为: S S R S S E 1
r2 SST SST SSR SSE 1 SST SST
回归分析的变量
因变量
因变量必须是间距测度等级以上的变量(连续变量)
自变量
自变量可以是间距测度等级以上的变量(连续变 量)、也可以是名义测度等级的变量(分类变量)。 ▲注意: 回归分析对变量的处理方法存在不对称性,即区分应变量 (被解释变量)和自变量(解释变量)。
一元线性回归模型
回归模型建立的步骤
回归分析的参数估计(OLSE)
由此得回归方程:
ˆ ˆ ˆ y i 0 1 xi ˆ y i 称为拟合值或回归值 回归残差: ˆ ei y i y i 残差平方和: e
2
ˆ ( y i y i)
2 i 1
n
ˆ ˆ (y i 0 1 xi ) 2
H1 : 1 0 回归方程显著
2)、构造统计量: SSR F SSE /(n 2)
一元线性回归
一、一元线性回归(一)基本公式如果预测对象与主要影响因素之间存在线性关系,将预测对象作为因变量y,将主要影响因素作为自变量x,即引起因变量y变化的变量,则它们之间的关系可以用一元回归模型表示为如下形式:y=a+bx+e其中:a和b是揭示x和y之间关系的系数,a为回归常数,b为回归系数e是误差项或称回归余项。
对于每组可以观察到的变量x,y的数值xi,yi,满足下面的关系:yi =a+bxi+ei其中ei是误差项,是用a+bxi去估计因变量yi的值而产生的误差。
在实际预测中,ei是无法预测的,回归预测是借助a+bxi得到预测对象的估计值yi。
为了确定a和b,从而揭示变量y与x之间的关系,公式可以表示为:y=a+bx公式y=a+bx是式y=a+bx+e的拟合曲线。
可以利用普通最小二乘法原理(ols)求出回归系数。
最小二乘法基本原则是对于确定的方程,使观察值对估算值偏差的平方和最小。
由此求得的回归系数为:b=[∑xiyi—x∑yi]/∑xi2—x∑xia=-b式中:xi、yi分别是自变量x和因变量y的观察值,、分别为x和y的平均值.=∑xi/ n ; = ∑yi/ n对于每一个自变量的数值,都有拟合值:yi’=a+bxiyi’与实际观察值的差,便是残差项ei=yi一yi’(二)一元回归流程三)回归检验在利用回归模型进行预测时,需要对回归系数、回归方程进行检验,以判定预测模型的合理性和适用性。
检验方法有方差分析、相关检验、t检验、f检验。
对于一元回归,相关检验与t检验、f检验的效果是等同的,因此,在一般情况下,通过其中一项检验就可以了。
对于多元回归分析,t检验与f检验的作用却有很大的差异。
1.方差分析通过推导,可以得出:∑(yi—y-)2= ∑(yi—yi’)2+∑(yi—y-)2其中:∑(yi—y-)2=tss,称为偏差平方和,反映了n个y值的分散程度,又称总变差。
∑(yi—yi’)2=rss,称为回归平方和,反映了x对y线性影响的大小,又称可解释变差。
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
梅国平,袁捷敏,毛小兵,李杰编著《概率论与数理统计》,科学出版社,2007年版P.268给出一个一元线性回归模型控制问题求解方程组:书中解得p1=2.51 p2=2.48上述控制方程组的解可以表示成两条曲线中间夹一条直线与直线y=2、直线y=3相交的四个交点所对应的横坐标x值。
用mathematica软件做出的示意图如下,mathematic软件中相应的隐函数作图命令为:用Java语言编写出求解类似控制方程组求解程序。
程序求解过程的难点在于上述方程组中的根号开方部分,这个程序把解上述复杂方程组的根号开方问题转化为求一个一元二次方程的两个根。
借鉴其他参考书中有关论述,用被控区间两个端点的中心对应的回归直线上投影点横坐标x值,代替控制方程中根号下的未知数,近似讨论了一下控制区间的长度是否满足可控条件,不是很准确。
精确讨论上述控制方程组的可控问题比较复杂,这个程序没有实现。
程序运行启动界面截图:点击“求解”按钮后程序运行界面截图:源程序清单如下:主程序:一元线性回归模型控制方程求解.java/***根据给定的因变量被控区间,求出自变量的施控区间。
**作者:Adam**/public class 一元线性回归模型控制方程求解{public static void main(String args []){界面求解实例= new 界面(6.45,-1.58,2.0,3.0,4.78,2.306,0.2,10.0,2.5); }}输入输出界面类:界面.javaimport javax.swing.JFrame;import javax.swing.JLabel;import javax.swing.JTextField;import javax.swing.JButton;import javax.swing.JPanel;import java.awt.BorderLayout;import java.awt.GridLayout;import java.awt.event.ActionListener; import java.awt.event.ActionEvent; public class 界面{private JFrame 主窗口;private JLabel a标签;private JTextField a;private JLabel b标签;private JTextField b;private JLabel Tn_2标签;private JTextField Tn_2;private JLabel Se标签;private JTextField Se;private JLabel n标签;private JTextField n;private JLabel averageOfX标签;private JTextField averageOfX;private JLabel lxx标签;private JTextField lxx;private JLabel 左端点标签;private JTextField 左端点;private JLabel 右端点标签;private JTextField 右端点;private JLabel 可控否标签;private JLabel 左端点dY原始值;private JLabel 左端点根1标签;private JTextField 左端点根1值;private JLabel 左端点根1dY检验值;private JLabel 左端点根2标签;private JTextField 左端点根2值;private JLabel 左端点根2dY检验值;private JLabel 右端点dY原始值;private JLabel 右端点根1标签;private JTextField 右端点根1值;private JLabel 右端点根1dY检验值;private JLabel 右端点根2标签;private JTextField 右端点根2值;private JLabel 右端点根2dY检验值;private JButton 求解;private 求解按钮动作实际求解;private JButton 重置;private JButton 退出;界面(){初始化界面();实际求解= new 求解按钮动作(this);求解.addActionListener(实际求解);}界面(double originalA,double originalB,double original左端点,double original右端点,double originalLxx,double originalTn_2,double originalSe,double originalN,double originalAverageOfX){初始化界面();a.setText(Double.toString(originalA));b.setText(Double.toString(originalB));左端点.setText(Double.toString(original左端点));右端点.setText(Double.toString(original右端点));lxx.setText(Double.toString(originalLxx));Tn_2.setText(Double.toString(originalTn_2));Se.setText(Double.toString(originalSe));n.setText(Double.toString(originalN));averageOfX.setText(Double.toString(originalAverageOfX));实际求解= new 求解按钮动作(this);求解.addActionListener(实际求解);}private void 初始化界面(){主窗口= new JFrame("一元线性回归模型控制方程求解");主窗口.setSize(900,400);主窗口.setLocation(120,120);a标签= new JLabel("a:");a = new JTextField(20);输入文本框数字检查check = new 输入文本框数字检查(主窗口);a.getDocument().addDocumentListener(check);b标签= new JLabel("b:");b = new JTextField("",20);b.getDocument().addDocumentListener(check);Tn_2标签= new JLabel("Tn_2:");Tn_2 = new JTextField("",20);Tn_2.getDocument().addDocumentListener(check);Se标签= new JLabel("Se:");Se = new JTextField("",20);Se.getDocument().addDocumentListener(check);n标签= new JLabel("n:");n = new JTextField("",20);n.getDocument().addDocumentListener(check);averageOfX标签= new JLabel("average of x:");averageOfX = new JTextField("",20);averageOfX.getDocument().addDocumentListener(check);lxx标签= new JLabel("lxx:");lxx = new JTextField("",20);lxx.getDocument().addDocumentListener(check);左端点标签= new JLabel("左端点:");左端点= new JTextField("",20);左端点.getDocument().addDocumentListener(check);右端点标签= new JLabel("右端点:");右端点= new JTextField("",20);右端点.getDocument().addDocumentListener(check);JPanel 输入第一行= new JPanel();JPanel 输入第二行= new JPanel();JPanel 输入第三行= new JPanel();输入第一行.add(a标签);输入第一行.add(a);输入第一行.add(b标签);输入第一行.add(b);输入第一行.add(Tn_2标签);输入第一行.add(Tn_2);输入第二行.add(Se标签);输入第二行.add(Se);输入第二行.add(n标签);输入第二行.add(n);输入第二行.add(averageOfX标签);输入第二行.add(averageOfX);输入第三行.add(lxx标签);输入第三行.add(lxx);输入第三行.add(左端点标签);输入第三行.add(左端点);输入第三行.add(右端点标签);输入第三行.add(右端点);左端点dY原始值= new JLabel("左端点dy原始值:",JLabel.CENTER); 左端点根1标签= new JLabel("由根1:",JLabel.CENTER);左端点根1值= new JTextField(20);左端点根1dY检验值= new JLabel("dy检验值:",JLabel.CENTER);左端点根2标签= new JLabel("由根2:",JLabel.CENTER);左端点根2值= new JTextField(20);左端点根2dY检验值= new JLabel("dy检验值:",JLabel.CENTER);右端点dY原始值= new JLabel("右端点dy原始值:",JLabel.CENTER); 右端点根1标签= new JLabel("由根1:",JLabel.CENTER);右端点根1值= new JTextField(20);右端点根1dY检验值= new JLabel("dy检验值:",JLabel.CENTER);右端点根2标签= new JLabel("由根2:",JLabel.CENTER);右端点根2值= new JTextField(20);右端点根2dY检验值= new JLabel("dy检验值:",JLabel.CENTER); JPanel rightPoint1 = new JPanel();JPanel rightPoint2 = new JPanel();JPanel rightPoint3 = new JPanel();JPanel leftPoint1 = new JPanel();JPanel leftPoint2 = new JPanel();JPanel leftPoint3 = new JPanel();leftPoint1.add(左端点dY原始值);leftPoint2.add(左端点根1标签);leftPoint2.add(左端点根1值);leftPoint2.add(左端点根1dY检验值);leftPoint3.add(左端点根2标签);leftPoint3.add(左端点根2值);leftPoint3.add(左端点根2dY检验值);rightPoint1.add(右端点dY原始值);rightPoint2.add(右端点根1标签);rightPoint2.add(右端点根1值);rightPoint2.add(右端点根1dY检验值);rightPoint3.add(右端点根2标签);rightPoint3.add(右端点根2值);rightPoint3.add(右端点根2dY检验值);求解= new JButton("求解");重置= new JButton("重置");重置.addActionListener(new 重置按钮动作(this));退出= new JButton("退出");退出.addActionListener(new 退出按钮动作(this));JPanel 按钮行= new JPanel();按钮行.add(求解);按钮行.add(重置);按钮行.add(退出);可控否标签= new JLabel("",JLabel.CENTER);JPanel pointPanel = new JPanel(new GridLayout(11,1)); pointPanel.add(输入第一行);pointPanel.add(输入第二行);pointPanel.add(输入第三行);pointPanel.add(可控否标签);pointPanel.add(leftPoint1);pointPanel.add(leftPoint2);pointPanel.add(leftPoint3);pointPanel.add(rightPoint1);pointPanel.add(rightPoint2);pointPanel.add(rightPoint3);pointPanel.add(按钮行);主窗口.setLayout(new BorderLayout());主窗口.add(pointPanel,BorderLayout.CENTER);主窗口.setVisible(true);主窗口.validate();主窗口.setDefaultCloseOperation(JFrame.EXIT_ON_CLOSE); }public void set主窗口(JFrame 主窗口){this.主窗口= 主窗口;}public JFrame get主窗口(){return 主窗口;}public void setA标签(JLabel a标签){this.a标签= a标签;}public JLabel getA标签(){return a标签;}public void setA(JTextField a){this.a = a;主窗口.validate();}public JTextField getA(){return a;}public void setB标签(JLabel b标签)this.a标签= a标签;主窗口.validate();}public JLabel getB标签(){return b标签;}public void setB(JTextField b){this.b = b;主窗口.validate();}public JTextField getB(){return b;}public void setTn_2标签(JLabel Tn_2标签) {this.Tn_2标签= Tn_2标签;主窗口.validate();}public JLabel getTn_2标签(){return Tn_2标签;}public void setTn_2(JTextField Tn_2){this.Tn_2 = Tn_2;主窗口.validate();}public JTextField getTn_2(){return Tn_2;}public void setSe标签(JLabel Se标签)this.Se标签= Se标签;主窗口.validate();}public JLabel getSe标签(){return Se标签;}public void setSe(JTextField Se){this.Se = Se;主窗口.validate();}public JTextField getSe(){return Se;}public void setN标签(JLabel n标签){this.n标签= n标签;主窗口.validate();}public JLabel getN标签(){return n标签;}public void setN(JTextField n){this.n = n;主窗口.validate();}public JTextField getN(){return n;}public void setAverageOfX标签(JLabel averageOfX标签)this.averageOfX标签= averageOfX标签;主窗口.validate();}public JLabel getAverageOfX标签(){return averageOfX标签;}public void setAverageOfX(JTextField averageOfX) {this.averageOfX = averageOfX;主窗口.validate();}public JTextField getAverageOfX(){return averageOfX;}public void setLxx标签(JLabel lxx标签){this.lxx标签= lxx标签;主窗口.validate();}public JLabel getLxx标签(){return lxx标签;}public void setLxx(JTextField lxx){this.lxx = lxx;主窗口.validate();}public JTextField getLxx(){return lxx;}public void set左端点标签(JLabel 左端点标签)this.左端点标签= 左端点标签;主窗口.validate();}public JLabel get左端点标签(){return 左端点标签;}public void set左端点(JTextField 左端点){this.左端点= 左端点;主窗口.validate();}public JTextField get左端点(){return 左端点;}public void set右端点标签(JLabel 右端点标签) {this.右端点标签= 右端点标签;主窗口.validate();}public JLabel get右端点标签(){return 右端点标签;}public void set右端点(JTextField 右端点){this.右端点= 右端点;主窗口.validate();}public JTextField get右端点(){return 右端点;}public void set可控否标签(JLabel 可控否标签)this.可控否标签= 可控否标签;主窗口.validate();}public JLabel get可控否标签(){return 可控否标签;}public void set左端点dY原始值(JLabel 左端点dY原始值){this.左端点dY原始值= 左端点dY原始值;主窗口.validate();}public JLabel get左端点dY原始值(){return 左端点dY原始值;}public void set左端点根1标签(JLabel 左端点根1标签){this.左端点根1标签= 左端点根1标签;主窗口.validate();}public JLabel get左端点根1标签(){return 左端点根1标签;}public void set左端点根1值(JTextField 左端点根1值){this.左端点根1值= 左端点根1值;主窗口.validate();}public JTextField get左端点根1值(){return 左端点根1值;}public void set左端点根1dY检验值(JLabel 左端点根1dY检验值)this.左端点根1dY检验值= 左端点根1dY检验值;主窗口.validate();}public JLabel get左端点根1dY检验值(){return 左端点根1dY检验值;}public void set左端点根2标签(JLabel 左端点根2标签){this.左端点根2标签= 左端点根2标签;主窗口.validate();}public JLabel get左端点根2标签(){return 左端点根2标签;}public void set左端点根2值(JTextField 左端点根2值){this.左端点根2值= 左端点根2值;主窗口.validate();}public JTextField get左端点根2值(){return 左端点根2值;}public void set左端点根2dY检验值(JLabel 左端点根2dY检验值) {this.左端点根2dY检验值= 左端点根2dY检验值;主窗口.validate();}public JLabel get左端点根2dY检验值(){return 左端点根2dY检验值;}public void set右端点dY原始值(JLabel 右端点dY原始值)this.右端点dY原始值= 右端点dY原始值;主窗口.validate();}public JLabel get右端点dY原始值(){return 右端点dY原始值;}public void set右端点根1标签(JLabel 右端点根1标签){this.右端点根1标签= 右端点根1标签;主窗口.validate();}public JLabel get右端点根1标签(){return 右端点根1标签;}public void set右端点根1值(JTextField 右端点根1值){this.右端点根1值= 右端点根1值;主窗口.validate();}public JTextField get右端点根1值(){return 右端点根1值;}public void set右端点根1dY检验值(JLabel 右端点根1dY检验值) {this.右端点根1dY检验值= 右端点根1dY检验值;主窗口.validate();}public JLabel get右端点根1dY检验值(){return 右端点根1dY检验值;}public void set右端点根2标签(JLabel 右端点根2标签)this.右端点根2标签= 右端点根2标签;主窗口.validate();}public JLabel get右端点根2标签(){return 右端点根2标签;}public void set右端点根2值(JTextField 右端点根2值){this.右端点根2值= 右端点根2值;主窗口.validate();}public JTextField get右端点根2值(){return 右端点根2值;}public void set右端点根2dY检验值(JLabel 右端点根2dY检验值) {this.右端点根2dY检验值= 右端点根2dY检验值;主窗口.validate();}public JLabel get右端点根2dY检验值(){return 右端点根2dY检验值;}public void set求解(JButton 求解){this.求解= 求解;主窗口.validate();}public JButton get求解(){return 求解;}public void set实际求解(求解按钮动作实际求解)this.实际求解= 实际求解;主窗口.validate();}public 求解按钮动作get实际求解(){return 实际求解;}public void set重置(JButton 重置){this.重置= 重置;主窗口.validate();}public JButton get重置(){return 重置;}public void set退出(JButton 退出){this.退出= 退出;主窗口.validate();}public JButton get退出(){return 退出;}}输入参数是否为数字格式检查类:输入文本框数字检查.java import javax.swing.event.DocumentListener;import javax.swing.event.DocumentEvent;import javax.swing.text.Document;import javax.swing.text.BadLocationException;import javax.swing.JOptionPane;import javax.swing.JFrame;public class 输入文本框数字检查implements DocumentListener {private JFrame 主窗口;输入文本框数字检查()主窗口= null;}输入文本框数字检查(JFrame 主窗口){this.主窗口= 主窗口;}public void set主窗口(JFrame 主窗口){this.主窗口= 主窗口;}public JFrame get主窗口(){return 主窗口;}public void insertUpdate(DocumentEvent e){数字检查(e.getDocument());}public void removeUpdate(DocumentEvent e){数字检查(e.getDocument());}public void changedUpdate(DocumentEvent e){数字检查(e.getDocument());}private void 数字检查(Document doc){double t = 0;try{t = Double.parseDouble(doc.getText(0,doc.getLength())); }catch(BadLocationException e){//System.out.println("文本框字符位置越界!");错误提示("读取文本框字符位置越界!","内部错误");catch(NumberFormatException e){//System.out.println("您输入了非数字字符,请输入数字!");错误提示("您输入了非数字字符,请输入数字!","输入错误");}}private void 错误提示(Object 提示信息,String 标题){JOptionPane.showMessageDialog(主窗口,提示信息,标题,JOptionPane.ERROR_MESSAGE); }}根据输入参数计算施控区间端点值的求解按钮动作类:求解按钮动作.javaimport java.awt.event.ActionListener;import java.awt.event.ActionEvent;import javax.swing.JOptionPane;public class 求解按钮动作implements ActionListener{private 界面源对象;private double a;private double b;private double Tn_2;private double Se;private double n;private double averageOfX;private double lxx;private double 左端点;private double 右端点;private boolean 输入异常;private boolean 可控否;求解按钮动作(){源对象= null;a = 0;b = 0;Tn_2 = 0;Se = 0;n = 0;averageOfX = 0;lxx = 0;左端点= 0;右端点= 0;输入异常= true;可控否= false;}求解按钮动作(界面源对象){this.源对象= 源对象;try{a = Double.parseDouble(源对象.getA().getText());b = Double.parseDouble(源对象.getB().getText());Tn_2 = Double.parseDouble(源对象.getTn_2().getText());Se = Double.parseDouble(源对象.getSe().getText());n = Double.parseDouble(源对象.getN().getText());averageOfX = Double.parseDouble(源对象.getAverageOfX().getText());lxx = Double.parseDouble(源对象.getLxx().getText());左端点= Double.parseDouble(源对象.get左端点().getText());右端点= Double.parseDouble(源对象.get右端点().getText());输入异常= false;}catch(NullPointerException 空文本框){输入异常= true;错误提示("文本框为空,请输入数值!","输入错误");}catch(NumberFormatException 数字格式异常){输入异常= true;错误提示("输入数字格式错误","内部错误");}可控否= false;}public void set源对象(界面源对象){this.源对象= 源对象;}public 界面get源对象(){return 源对象;}public void setA(double a){this.a = a;}public double getA(){return a;}public void setB(double b){this.b = b;}public double getB(){return b;}public void setTn_2(double Tn_2) {this.Tn_2 = Tn_2;}public double getTn_2(){return Tn_2;}public void setSe(double Se) {this.Se = Se;}public double getSe(){return Se;}public void setN(double n){this.n = n;}public double getN(){return n;}public void setAverageOfX(double averageOfX) {this.averageOfX = averageOfX;}public double getAverageOfX(){return averageOfX;}public void setLxx(double lxx){this.lxx = lxx;}public double getLxx(){return lxx;}public void set左端点(double 左端点){this.左端点= 左端点;}public double get左端点(){return 左端点;}public void set右端点(double 右端点){this.右端点= 右端点;}public double get右端点(){return 右端点;}public void set输入异常(boolean 输入异常){this.输入异常= 输入异常;}public boolean get输入异常(){return 输入异常;}public void set可控否(boolean 可控否){this.可控否= 可控否;}public boolean get可控否(){return 可控否;}public void actionPerformed(ActionEvent e){try{a = Double.parseDouble(源对象.getA().getText());b = Double.parseDouble(源对象.getB().getText());Tn_2 = Double.parseDouble(源对象.getTn_2().getText());Se = Double.parseDouble(源对象.getSe().getText());n = Double.parseDouble(源对象.getN().getText());averageOfX = Double.parseDouble(源对象.getAverageOfX().getText());lxx = Double.parseDouble(源对象.getLxx().getText());左端点= Double.parseDouble(源对象.get左端点().getText());右端点= Double.parseDouble(源对象.get右端点().getText());输入异常= false;}catch(NullPointerException 空文本框){输入异常= true;错误提示("文本框为空,请输入数值!","输入错误");}catch(NumberFormatException 数字格式异常){输入异常= true;错误提示("输入数字格式错误","内部错误");}if(输入异常== false){求解端点(左端点,new 左端点());求解端点(右端点,new 右端点());确定是否可控();if(可控否== true){修改可控否标签("被控区间满足可控条件,可以实现控制。