如何进行二次回归计算？

好多种二次回归，根据试验数据进行最佳配线，最简单的是配抛物线：Y=C+BX+AX2“式中Y为上杠-Y”
C=∑Y/N
B={(∑XY-∑X∑Y/N)[ ∑X4-(∑X2)2/N]- (∑X2Y-∑X2∑Y/N)[ ∑X3-∑X(∑X)2/N}/D
A=[∑X2-(∑X)2/N] (∑X2Y-∑X2∑Y/N)- [ ∑X3-∑X∑X2/N] (∑XY-∑X∑Y/N)/D
D=[∑X2-(∑X)2/N][ ∑X4-(∑X2)2/N]- [ ∑X3-∑X∑X2/N]2
配线后进行F测验显著性
标准差：SSy=∑Y2-(∑Y)2/N
离回归平方和：Q=∑(Y-Y)2“式中第二个Y为上杠-Y”
回归平方和：U=SSy-Q
相关系数：R2=U/SSy
F=(R2/1-R2)(N-K-1)/K“K为试验重复次数”
“以上式中的2、3、4均为指数”
F＞F005时配线有效。

先求x1与x2的拟合半径与1之间的大小关系，r＜0则x1与x2具备很强的线性相关关系，且为负相关；线性回归方程一定过样本中心点；在一组模型中残差平方和越小，拟合效果越好，相关指数表示拟合效果的好坏，指数越小，相关性越强；相关指数R2用来衡量两个变量之间线性关系的强弱R2越接近于1，说明相关性越强，相反，相关性越小。
两个变量之间相关关系的方法，要想知道两个变量之间的有关或无关的精确的可信程度，只有利用独立性检验的有关计算，才能做出判断。
拓展：
数理统计是数学的一个分支，分为描述统计和推断统计。它以概率论为基础，研究大量随机现象的统计规律性。描述统计的任务是搜集资料，进行整理、分组，编制次数分配表，绘制次数分配曲线，计算各种特征指标，以描述资料分布的集中趋势、离中趋势和次数分布的偏斜度等。推断统计是在描述统计的基础上，根据样本资料归纳出的规律性，对总体进行推断和预测。

相关系数r的计算公式是什么 - ： 相关系数定义式为:若Y=a+bX,则有:令E(X) = μ,D(X) = σ,则E(Y) = bμ + a,D(Y) = bσ,E(XY) = E(aX + bX) = aμ + b(σ + μ),C
样本相关系数怎么求 - ：[答案] 四个格子里面分别是 abcd 即使 男赞同=a 男反对=b 女赞同=c 女反对=d 公式就是 rΦ=(ad-bc)/√[(a+b)(a+c)(b+d)(c+d)] (四格表里面以ad为中心相邻的两个数相加)
求相关系数r的公式 - ：[答案] 所谓“相关系数”,其完整的名称应该是“简单线性相关系数”,描述的是两个变量线性相关的程度,其公式如下面,并没有你所谓的“曲线相关的相关系数”的!\x0d另外有“多重相关系数”的,是多元线性回归里的概念,是一个变量Y与多
某工业部门进行了一项研究,分析该部门的产量与生产费用之间的关系,从这个工业部门内随机提选了10个企业作样本,有如下资料:产量x(千件) - ：[答案] 思路分析:(1)使用样本相关系数计算公式r=即可完成;(2)由小概率005与r-2=8在附表中查得r005的大小,以检验所得结果,来说明y与x之间的线性相关是否显著;(3)用公式代入即可求出(1)根据题意制表如下:i12345678910合计xi
在样本数据的回归分析中,相关指数R2的值越大,则残差平方和 n i=1(yi− ̂ yi)2() - ：[选项] A 越小 B 越大 C 可能大也可能小 D 以上都不对
相关系数的作用及计算方法! - ：[答案] 相关系数是变量之间相关程度的指标样本相关系数用r表示,总体相关系数用ρ表示,相关系数的取值范围为[-1,1]|r|值越大,误差Q越小,变量之间的线性相关程度越高;|r|值越接近0,Q越大,变量之间的线性相关程度越低相关系数 又称皮(尔生)氏
相关系数的计算公式是怎样得来的 - ： 相关系数介于区间[-1,1]内当相关系数为-1,表示完全负相关,表明两项资产的收益率变化方向和变化幅度完全相反当相关系数为+1时,表示完全正相关,表明两项资产的收益率变化方向和变化幅度完全相同当
相关系数怎么算不分依变数Y 和自变量X的两个变数,其密切程度用相关系数r表示对于有分依变数Y 和自变量X的两个变数,要表示 X、Y密切程度用什么表示 - ：[答案] 对于有分依变数Y 和自变量X的两个变数,要表示 X、Y密切程度依然是用相关系数表示 计算公式是r=E[(X-EX)(Y-EY)]/{[DXDY]^1/2} E表示变量的期望,D表示变量的方差

两项资产的协方差＝两项资产的相关系数×一个资产的标准差×另一个资产的标准差
协方差（Covariance）在概率论和统计学中用于衡量两个变量的总体误差。协方差用于衡量两个变量的总体误差。收益率的协方差反映两资产收益率的变动关系，用COV（R1，R2）来表示。两项资产的协方差＝两项资产的相关系数×一个资产的标准差×另一个资产的标准差。

线性相关系数 r 是反映了变量x、y之间的线性关系的密切程度。当|r|=1时，称其完全线性相关；当|r|=0时，称其全无线性相关；当|r|越接近1时，线性相关越大，即其拟合精度愈高。

在分析化学书以及origin做图软件中一般习惯采用r来表示两个变量间的线性关系，上图就是分析化学书中给出的公式。

不过偶尔也有用r2表示两个变量间的线性关系，比如Excel处理数据时，如果采用自带的数据处理功能来计算数据的斜率、截距和线性相关系数，一般给出的是r2。

扩展资料：

相关系数是按积差方法计算，同样以两变量与各自平均值的离差为基础，通过两个离差相乘来反映两变量之间相关程度；着重研究线性的单相关系数。

依据相关现象之间的不同特征，其统计指标的名称有所不同。如将反映两变量间线性相关关系的统计指标称为相关系数（相关系数的平方称为判定系数）；将反映两变量间曲线相关关系的统计指标称为非线性相关系数、非线性判定系数；将反映多元线性相关关系的统计指标称为复相关系数、复判定系数等。

参考资料来源：百度百科-相关系数

针对这个问题，我们可以采用最小二乘法（Least Squares Method）来计算出降解速率常数的r2。最小二乘法是一种统计学方法，它可以用来估计一组数据的最佳拟合曲线，从而计算出降解速率常数的r2。
具体做法步骤如下：
1 首先，我们需要准备一组数据，这些数据是降解速率的实验结果，包括时间和降解量。
2 然后，我们需要使用最小二乘法来拟合这些数据，从而得到一条拟合曲线，拟合曲线的斜率就是降解速率常数的r2。
3 最后，我们可以使用相关系数（correlation coefficient）来评估拟合曲线的拟合程度，从而得出降解速率常数的r2。
最小二乘法是一种统计学方法，它可以用来估计一组数据的最佳拟合曲线，从而计算出降解速率常数的r2。它的基本原理是，通过最小化拟合曲线与实际数据之间的误差，来找到最佳拟合曲线。最小二乘法的具体做法步骤是：准备一组数据，使用最小二乘法来拟合这些数据，然后使用相关系数来评估拟合曲线的拟合程度，从而得出降解速率常数的r2。

---