在上一节所介绍的非线性回归分析，首先要求我们对回归方程的函数模型做出推断。尽管在一些特定的情况下我们能够比較easy地做到这一点,可是在很多实际问题上经常会令我们不知所措。依据高等数学知识我们知道，不论什么曲线能够近似地用多项式表示，所以在这样的情况下我们能够用多项式进行逼近，即多项式回归分析。
一、多项式回归方法
如果变量y与x的关系为p次多项式，且在xi处对y的随机误差 
(i=1,2,…,n)服从正态分布N(0,
)，则
令
xi1=xi, xi2=xi2，…，xip=xip
则上述非线性的多项式模型就转化为多元线性模型，即
这样我们就能够用前面介绍的多元线性回归分析的方法来解决上述问题了。其系数矩阵、结构矩阵、常数项矩阵分别为
(2-4-11)
(2-4-12)
(2-4-13)
回归方程系数的最小二乘预计为
(2-4-14)
须要说明的是，在多项式回归分析中，检验bj是否显著，实质上就是推断x的j次项xj对y是否有显著影响。
对于多元多项式回归问题，也能够化为多元线性回归问题来解决。比如，对于
(2-4-15)
令xi1=Zi1, xi2=Zi2, xi3=Zi12, xi4=Zi1Zi2, xi5=Zi22
则(2-4-15)式转化为
转化后就能够依照多元线性回归分析的方法攻克了。
以下我们通过一个实例来进一步说明多项式回归分析方法。
一、应用举例
例2-4-2 某种合金中的主要成分为元素A和B，试验发现这两种元素之和与合金膨胀系数之间有一定的数量关系，试依据表2-4-3给出的试验数据找出y与x之间的回归关系。
表2-4-3 例2-4-2试验数据
首先画出散点图（图2-4-3）。从散点图能够看出，y与x的关系能够用一个二次多项式来描写叙述：
i=1,2,3…,13
图2-4-3 例2-4-2的散点图
令
xi1=xi,xi2=xi2,
则
如今我们就能够用本篇第二章介绍的方法求出
的最小二乘预计。由表2-4-3给出的数据，求出
由（2-2-16）式
由此可列出二元线性方程组
将这个方程组写成矩阵形式，并通过初等变换求b1,b2和系数矩阵L的逆矩阵L-1:
于是
b1=-13.3854
b2=0.16598
b0=2.3323+13.3854
40-0.16598
1603.5=271.599
因此
以下对回归方程作显著性检验：
由（2-2-43）式
S回=
由（2-2-42）式
S总=
S残=Lyy– S回=0.2572
将上述结果代入表2-2-2中制成方差分析表例如以下：
表2-4-4 方差分析表
查F检验表，F0。01（2，10）=7.56, F>F0.01(2 ,10)，说明回归方程是高度显著的。
以下对回归系数作显著性检验
由前面的计算结果可知：
b1=-13.3854 b2=0.16598
c11=51.125 c22=7.9916
10-3
由（2-2-54）式
由（2-2-53）式
检验结果说明的x一次及二次项对y都有显著影响。
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/119162.html原文链接：https://javaforall.net
![谷尼GoonieFilter网站内容敏感词过滤系统[通俗易懂]](https://javaforall.net/wp-content/uploads/2020/11/2020110817443450-480x300.jpg)
