A. 如何判别测量数据中是否有异常值
1、概述：一组测量数据中，如果个别数据偏离平均值很远，那么这个(这些)数据称作“可疑值”。如果用统计方法—例如格拉布斯(Grubbs)法判断，能将“可疑值”从此组测量数据中剔除而不参与平均值的计算，那么该“可疑值”就称作“异常值(粗大误差)”。本文就是介绍如何用格拉布斯法判断“可疑值”是否为“异常值”。
2、测量数据：例如测量10次(n＝10)，获得以下数据：8.2、5.4、14.0、7.3、4.7、9.0、6.5、10.1、7.7、6.0。
3、排列数据：将上述测量数据按从小到大的顺序排列，得到4.7、5.4、6.0、6.5、7.3、7.7、8.2、9.0、10.1、14.0。可以肯定，可疑值不是最小值就是最大值。
4、计算平均值x-和标准差s：x-＝7.89；标准差s＝2.704。计算时，必须将所有10个数据全部包含在内。
5、计算偏离值：平均值与最小值之差为7.89－4.7＝3.19；最大值与平均值之差为14.0－7.89＝6.11。
6、确定一个可疑值：比较起来，最大值与平均值之差6.11大于平均值与最小值之差3.19，因此认为最大值14.0是可疑值。
7、计算Gi值：Gi＝(xi－x- )/s；其中i是可疑值的排列序号——10号；因此G10＝( x10－x- )/s＝(14.0－7.89)/2.704＝2.260。由于 x10－x-是残差，而s是标准差，因而可认为G10是残差与标准差的比值。
8、下面要把计算值Gi与格拉布斯表给出的临界值GP(n)比较，如果计算的Gi值大于表中的临界值GP(n)，则能判断该测量数据是异常值，可以剔除。但是要提醒，临界值GP(n)与两个参数有关：检出水平α (与置信概率P有关)和测量次数n (与自由度f有关)。
9、定检出水平α：如果要求严格，检出水平α可以定得小一些，例如定α＝0.01，那么置信概率P＝1－α＝0.99；如果要求不严格，α可以定得大一些，例如定α＝0.10，即P＝0.90；通常定α＝0.05，P＝0.95。
10、查格拉布斯表获得临界值：根据选定的P值(此处为0.95)和测量次数n(此处为10)，查格拉布斯表，横竖相交得临界值G95(10)＝2.176。
11、比较计算值Gi和临界值G95(10)：Gi＝2.260，G95(10)＝2.176，Gi＞G95(10)。
12、判断是否为异常值：因为Gi＞G95(10)，可以判断测量值14.0为异常值，将它从10个测量数据中剔除。
13、余下数据考虑：剩余的9个数据再按以上步骤计算，如果计算的Gi＞G95(9)，仍然是异常值，剔除；如果Gi＜G95(9)，不是异常值，则不剔除。本例余下的9个数据中没有异常值。
B. 方差分析
单因素独立样本固定效应方差分析分析总结——效应量及其置信区间、Power、趋势分析
数据文件：OA3.sav，R中为OA3
模拟数据：
R:
n1<-n2<-n3require(pwr);require(MBESS);require(multicomp);require(car)
1 假设检验：
Anova(lm(Happy~ Type,data=OA3,contrasts=list(Type=contr.sum)),type=”III”)
##要注意当TypeIII和TypeII两者不一样的时候，需要加入语句：contrasts=list(fcategory=contr.sum, partner.status=contr.sum) ##Coding，适用TypeIII方法
参考R帮助文件>example(Anova)
（注：Type II和Type III的区别：
在没有交互作用，或不同组之间的被试数比例与总体比例相同时二者无区别；
Type II在有交互作用，且不同组之间的被试数比例与总体比例相同时适用；
Type III在有交互作用，总体为等比例但样本为不等比例时适用。
亦可以回归的方式来做：
lm.OA3<-lm(Happy~ Type,data=OA3)
summary(lm.OA3)
得到的结果中后面会用到的是：
R2=0.3719，F（2,90）=26.648
（注：回归方法当中只报告回归的一些参数，不报告SS，但是报告R2（SPSS中不报告），方便接下来计算f2(f2的求法列在下面)）
2 效应量及其置信区间
①Cohen’s f2及其置信区间
f2=0.3719/(1-0.3719)
= 0.5921032
##Cohen’f2=R^2/(1-R^2 )（where R2 is the squared multiple correlation）
##参考
##Cohen’f2=ncp/N(N=n*k)
ci.ncp<-conf.limits.ncf(F.value=26.648,conf.level=0.95,df.1=2,df.2=90) ##求ncp置信区间
lambda <- c(ci.ncp$Lower.Limit,ci.ncp$Upper.Limit); ##以置信区间的形式显示结果
因为f2=ncp/N (N=nK)
sqrt(ci.f2 <- lambda / N); （进行转化）
#求非中心参数ncp的置信区间，然后根据ncp和f2的关系来求得f2的置信区间#
根据上面两个式子可得：f2的置信区间是(0.5151149 0.9806293)
②求η2及其置信区间
η2= SSeffect / SStotal
在单因素方差分析当中，因为只有一个自变量，η2=R2，所以η2=0.3719
在SPSS当中用Analyze——General Linear Model——Univariate来进行单因素方差分析可以收集到ηp2、R2、校正R2等数据，而且可以进行更复杂的Contrast。
方差分析结果
由noncf.sav计算得到的结果（前四项手工输入，最后三项为所需要的结果）：
可知η2置信区间为： [0.20966，0.49021]
其实更简单的方法是在R中直接根据f2与η2的代数关系换算出η2的置信区间（^_^）。
③求ω2
ω2 = (SSeffect - (dfeffect)(MSerror)) / （MSerror + SStotal）=(1280.416-2*24.025)/(24.025+3442.627)
= 0.3554917
当前没有求总体ω2置信区间的统计技术
参考《Experimental Design Using ANOVA》：P114。
注：ω2置信区间和η2置信区间的文献常见的问题是没有定义总体值而直接谈置信区间，这是范式上的错误。
④求ηp2（偏η2）
ηp2 = SSeffect / (SSeffect + SSerror)
=η2
=0.3719
置信区间为：[0.20966，0.49021]
两者相等可以从他们的公式看出来：
η2= SSeffect / SStotal
ηp2 = SSeffect / (SSeffect + SSerror)
η2在分母当中包括了其他自变量的效应。而在单因素方差分析中只有一个自变量，所以两者相等。
注：在多因素方差分析中，需要根据两者的代数关系来求ηp2的置信区间。
如果自变量是随机因素（Random Factor），还可以求效应量指标为。这里只给出计算公式：
= (MSeffect - MSerror) / (MSeffect + (dfeffect)(MSerror))
其他的效应量还包括：Glass’sΔ、Hedges’ g等。
各效应量之间的比较：
η2和ηp2是对特定样本效应量的描述统计量，是对效应量总体参数的有偏估计，而ω2是对作为总体参数的效应量的无偏点估计。因此η2和ηp2会高估效应量，所以ω2比η2和ηp2小一点。根据公式：
η2= SSeffect / SStotal
ηp2 = SSeffect / (SSeffect + SSerror)
可以看出η2会随着自变量的变多而变小，无法准确体现一个自变量的“效应”，而ηp2则不会。根本原因是η2的的分母中是总和方SStotal，而ηp2的分母是效应变异和误差变异的和（SSeffect+SSerror），因此ηp2不随自变量的增多而变小。但也是正因为如此，各自变量的ηp2 之和不等于1。总的来说，η2的值描述的是在样本当中自变量所产生的变异效果。对于自变量效应量的总体估计值是ω2。
3 Power
pwr.f2.test(u=2,v=90,f2=0.5921032,sig.level=0.05)
Power的主要作用是在研究开始前估计样本量。但是在统计分析之后如果研究结果不显着，可以通过求Power来看还需要多少样本才能够获得显着性结果。
4 Post Hoc
require(multcomp)
g<-glht(lm.OA3, linfct = mcp(Type =c(”Senior-Mid=0〃,”Senior-Youth=0〃,”Mid-Youth=0〃)))
注：必须将所有的差异都写出来，不能一次只单独求一个差值：
g<- glht(lm.OA3, linfct = mcp(Type =c(”Senior-Mid=0,”)))
注：这是单个Planned test（事前检验）的做法。如果是多个检验，根据所要做的比较的次数会有对α的校正，因此求出的置信区间会比不做校正的要大。事后检验在数学上与对应的多个事前检验结果一样（比如：包括三次比较的时候检验与做了三个比较的事前检验结果是一样的）。因为简单主效应是事后检验，应该进行α的校正，所以在R中应该同时写出三个比较（有几个比较写几个比较）。
R中采用的是Turkey HSD的做法，结果与SPSS一致。如果在R中只进行一次比较，结果与SPSS中Post Hoc里面的LSD方法相同，也就是说SPSS当中的LSD方法没有对α进行校正。
summary(g) ##可以看显着性检验的结果
confint(g) ##求老年人与中年人的简单主效应的置信区间
## 关于事后检验的具体方法和优劣参考
求非标准化简单主效应
非标准化简单主效应就是指并非简单的差值比较，而是较为复杂的多重比较：比如老年人和中年人的平均值与青年人的差值的显着性检验。
g<- glht(lm.OA3, linfct = mcp(Type =c(”0.5*Senior + 0.5*Mid – Youth=0〃)))
##比较老年人和中年人的平均值与青年人的快乐指数
summary(g) ##显着性检验结果
confint(g) ##求置信区间：
在SPSS中选择Contrast，在Coefficients当中依次填入-1，0.5，0.5。结果与R一致。
注：这里面要注意一点：指定的系数之和必须是0才能保证各组之间的变异是正交的。
另外在网上提供的做法当中填入的系数为-2，1，1，虽然最后的显着性结果是一致的，但这个时候差值的点估计就不和题目相对应了，所以建议用第一种方法指定系数。）
SPSS做法
其中包括了SPSS的Syntax语句。
在进行Contrast比较的时候就涉及到Coding（指定各水平系数）和Orthogonality（正交性）的问题。首先在自变量、水平之间是独立的假设成立的前提下，Coding要保证系数之和等于0，这样就能保证水平之间是正交的。正交的好处在于将效应量完全独立的分解，每次比较不会有重复的部分。如图：
正交
当样本量不一致时就很不能保证正交。
注：这里所提到的Coding指的是对各个哑变量的系数赋值的过程。
参考《Experimental Designs Using ANOVA》P124
事后检验方法
事前检验的效力比事后检验更高。只有在没有条件进行事前检验、或者没有明确的理论预期的时候才进行事后检验。
常用的Post Hoc有LSD、Scheffe、Turkey HSD、Bonferroni等。
LSD需要等组条件，并且没有对α进行校正，在进行较多检验的时候会提高犯一类错误的可能。
Scheffe过于保守，损失大量的Power。但特别适用于不等组情况。
Turkey HSD要求等组。在SPSS中对α进行了校正。
5 趋势分析（Trend Analysis）：
在SPSS中的Contrast选项中选择Polynomial。3个水平最多只能是二次型（Quadratic）。
SPSS中趋势分析结果为：
趋势分析
线性趋势结果显着(F=51.083,p0.001），Quadratic趋势不显着（F=2.213，p>0.001）。这里的Deviation就相当于回归分析当中的残差。
去101学习辅导答疑网看看，那里有专业的老师在线回答问题的！现在注册还免费送金豆！
C. 用spss拟合出的公式计算出的数据与真实测量数据的残差在什么范围可接受
这个没有固定标准的，看你自己的要求就好了，看拟合好不好残差，残差平方和都只是一个方面指标，越小越好，但没绝对参考标准，可以有相对标准，也就是不同模型预测残差之间比较，另外就是用预测值和实际值求相关，相关系数越大越好
D. 实验数据量的多少对数学模型的影响
建立数学模型的一般步骤是：
第一步：观察并提出问题．要构建一个数学模型，首先我们要了解问题的实际背景，弄清楚对象的特征．
第二步：提出合理的假设．合理提出假设是数学模型成立的前提条件，假设不同．所建立的数学模型也不相同．
第三步：建构模型．根据所作的假设分析对象的因果关系，利用对象的内在规律和适当的数学工具，构造各个量词的等式关系．
第四步：对模型进行检验或修正．当数学公式这个模型构建出来后，可以进一步求算出各月的具体数值，再绘制出坐标曲线图，曲线图可以更直观地反映出种群数量的增长趋势．
故选：A．
E. 资料的选取、方法技术与反演结果
远震层析所用数据应是高质量的，较大误差将影响计算结果。远震数据常常来自于短周期的检波器，检波器确定了信号的低频限定值。远震距离的衰减与限定值结合将产生约为1Hz的信号。
挑选到时的精度按震中距离的远近分为两个档次，±0.05s(震中距为几百千米);0.1s(震中距为1000km以上)。相对于平均地球模型的走时变化称为走时残差。
初始震源的参数取自IRIS(The Incorporated Research Institutions for Seismology)，震相的提取精度均小于0.1s。另外，由于所用数据为不同时间段所提取的震相，为了保证计算的精度，又统一计算了相对走时残差。反演时要求地震射线数多于5条。层析成像反演采用ACH技术。
5.2.1 走时残差的概念
根据在地球表面的走时测量推断地球内部的速度模型是地震学中的一个经典问题。对于一个三维地球模型来说，地震射线的走时是速度v(r)和几何路径的函数。我们的任务是根据地表的大量走时推导出地下介质的速度v(r)。速度与走时的关系为
中国西部岩石圈三维结构及演化
上式是个非常复杂的问题的表达，因为未知量v(r)隐含在射线路径中。这就使得该反演问题具有高度的非线性特点，而非线性方程是很难求解的。因此，将上述问题线性化是进行数值求解的关键。由于射线路径和介质的速度均是未知的，求解速度v(r)时要首先知道射线路径。目前经典的作法是按照速度v(r)的模型以较高的精度计算出地球上任意两点间的走时值，并且在给定初始地球模型的情况下，求出射线路径。
研究工作中，在精确提取P、S震相到时后，将减去由参考地球模型的J-B表计算的理论走时，这样，便得到所用的走时残差数据。
利用费马原理(射线路径的几何形状并非任意，它总是使两点间的走时取稳定值)，在反演计算中，用初始模型中的射线路径代替真实地球中(未知的)射线路径，再根据地表观测的实际走时t，便可求出介质速度v(r)。我们利用了费马原理，用初始模型的射线路径代替了真实地球中(未知的)射线路径。在计算时差上所引入的误码差仅仅是二阶小量。
5.2.2ACH反演与分辨率的讨论
ACH方法(K.Aki，1977;J.R.Evans et al.，1993)是地震波层析成像反演方法中应用最为有效的方法之一。它适用于所有“有限排列”地震层析问题，即震源在接收台站范围之外的剖面布设方式。
地震层析反演需要地震射线的分布方向广阔。通常使用的震相是P、PKP，P震相要求接收台站与震中的距离大于等于25°。
在讨论ACH处理结果之前，需要通过分辨率矩阵检测反演的质量。分辨率指的是区分两个靠近目标的能力，即为
中国西部岩石圈三维结构及演化
其中: 为计算得到的真实解，m为理论解。R由下式给出:
中国西部岩石圈三维结构及演化
此处，W为权系数矩阵;θ2是阻尼参数。矩阵的每个对角线元素指示了所求参数的质量。一般情况下，如果对角线元素大于0.5，则认为解的情况是可靠的。对于水平层来说，在射线分布较少的边缘地带，分辨率矩阵的则数值较低，所对应的P波速度扰动可靠性就较差。
5.2.3 剖面层析反演结果
在北纬27°～41°，东经84°～101°的区间，完成了如下4条剖面上的地震层析反演(见图5.1.1)。
(1)格尔木-日喀则地震层析(A-A')剖面
该剖面位于研究区中部，是1992～1993年期间中法合作完成的一条天然地震探测剖面。作者在计算中加入了INDEPTH-Ⅲ的资料，对以往数据进行了重新处理。
剖面(彩图7(a))自北向南穿越了昆仑断裂带、金沙江缝合带、澜沧江断裂、班公错-怒江缝合带、崩措-嘉黎断裂及雅鲁藏布江缝合带。近地表的地震波速度扰动分布与地表地质上定义的断裂构造有一定的对应关系，高速扰动所对应的多为造山带，如昆仑造山带、唐古拉山、冈底斯山;低速扰动则分布在相对平坦的第四系覆盖较厚的高原地区，即雁石坪以北的巴颜喀拉地体。
地壳部分:柴达木盆地为低速扰动覆盖;东昆仑地体对应着高速扰动体;金沙缝合线在80km之上产状陡立;在巴颜喀拉地体、羌塘地体的上地壳，分布着大面积的低速扰动体;澜沧江断裂所对应的低速体以大约30°的角度向南倾并进入下地壳;班公错-怒江缝合线对应的位置，为大面积高速物质覆盖，在下地壳约50km处出现一高低速扰动的分界面;崩措-嘉黎断裂向北倾斜;雅鲁藏布江断裂带向北插向拉萨地块下方，在100km深度上被上地幔的高速物质所阻挡。
同一剖面的大地电磁反演结果(彩图7(b))与地震层析的速度结构有很好的对应关系。如向北俯冲的高速高阻的东昆仑造山带;陡倾的金沙江断裂带;羌塘地体之下的低速低阻体;浅部与山体对应的高速高阻异常。两种方法对断裂带的描述也表现了某种相似性，都是在断裂带两侧出现速度或电性的差异。
地幔部分:剖面北部昆仑造山带向北俯冲至柴达木盆地之下;柴达木盆地在50～150km之间的壳幔部分，分布着高速扰动物质(扰动值可达6.5%);金沙缝合带北部的巴颜喀拉地体下方100km以下地段，对应着宽度约为150km的低速体，其南部与上方的低速体相连指表层;而在雁石坪至唐古拉之间(北纬33°左右)一强高速体阻止了南部高速物质的北上，该高速体以较大角度向北进入羌塘地体之下约200km深处;在雅江缝合带以南有一高速扰动体断续向北插，自地壳位置一直延伸到300km深处，直至被上述位于唐古拉山下方的高速体阻挡。
(2)德庆-龙尾错地震层析(B-B')剖面(INDEPTH—Ⅲ)
该剖面自德庆至龙尾错，剖面全长约400km，布设了49个宽频地震台站。
彩图8(a)为剖面的层析结果，图中0～100km间，剖面南部的拉萨地块内出现了一个子单元，位置在北纬32°南侧，其南部是高速扰动体，北部分布着低速扰动值;在地质上的班公错-怒江缝合线位置上(即北纬32°附近)没有速度变化的显示，分布着大范围的低速体，一直延伸至羌塘地块;向北进入羌塘地体后，又出现了一个子单元，自北纬33°以北到唐古拉断裂以南的高速扰动体;在唐古拉断裂以北，则存在有一定延伸的低速物质。
100km深度之下的层析图中，班公错-怒江缝合线北侧的高速扰动体及羌塘地体中所出现的低速扰动体非常明显;该高速体在班公错-怒江缝合线北侧产状陡立，而在拉萨地块下方100～200km深度范围近水平状分布。
彩图8(b)为将B-B'剖面旋转到与A-A'平行位置的结果。地幔部分的速度分布与A-A'剖面有相似之处，两剖面中在北纬32°～33°之间200～300km深度范围，都存在一高速体;而南部A-A'剖面出现的断续向北插入的高速体，在B-B'剖面上于32°以南就发生了拆离。
PKP是穿过地核几乎垂直入射的P波，它的走时变化主要是由于岩石圈内部垂向速度变化引起的。所以，可以更直接地从另一个方面了解地下物质的分布形态。图5.2.1的走时残差曲线反映出两个问题:①羌塘地体内实际到时晚于理论到时，也可以说延迟，这可以理解为与羌塘地体的Sn波缺失有关。彩图8(a)中在该位置低速扰动的分布也证明了这一现象。班公错-怒江缝合线位置的两侧残差早到，说明该处物质的传播速度较快，地下应是存在硬度相对大一些的地质体，这与彩图8(a)中存在大面积高速扰动体的位置相对应。②地体的边界线及古露-嘉黎断裂及唐古拉断裂都有不同程度的显示。
图5.2.1 1998/11/01，07:48:12.9和1998/09/17，16:41:20.1发生在墨西哥西海岸的两次大于5.0级地震所记录的PKP震相沿B-B'剖面的走时残差
(3)若羌-茫崖地震层析(C-C')剖面
该剖面几乎近乎东西走向，切穿了位于青藏高原北缘的阿尔金断裂，西端进入塔里木盆地东南缘，剖面东部伸入了柴达木盆地。
在剖面的东南部，几乎在所有深度上都被负的速度扰动所控制，显示出地壳和地幔的速度明显慢于高原的北缘和柴达木盆地的南部。在阿尔金断裂的西北部，整个深度上分布着正的速度扰动，反映出地壳和地幔内的平均速度传播较快，这种特点与塔里木盆地下方古老的、冷的岩石圈一致。在剖面中部，一条负的速度扰动带，沿着阿尔金断裂带深入其下方的地壳和地幔(彩图9)。这可能反映了岩石圈内存在的(Strike-slipshear)走滑剪切活动(G.Wittlinger，1998)。
(4)花石峡-德令哈地震层析(D-D')剖面
该剖面自北西至南东穿过柴北缘断裂、昆仑断裂带。层析剖面(彩图10)西北部在70km之上分布着大面积的低速扰动物质且对应着柴达木盆地内较厚的覆盖层;该处在220km之上有一较强的高速扰动体出现，这与盆地内硬、冷的地幔有关。剖面中部高低速度扰动分界线十分明显，与柴北缘断裂相对应;断裂面以较大角度略向南倾。剖面南东部在整个深度上都大面积地分布着微弱的高速扰动物质。这些高速扰动体所对应的地质构造位置为昆仑断裂带。
5.2.4 地震层析各层的速度结构分布
平面的层析反演共9层，现分别叙述各层的主要特征:
第一、二层(35km以上):速度分布与大地构造单元有一定的对应关系。研究区北部的柴达木盆地、共和盆地为低速扰动所覆盖;柴达木盆地北部的高速体与地表分布的酸性岩浆岩有关;阿尔金山、昆仑造山带及巴颜喀拉地体的中部为高速扰动分布;金沙江断裂带在东段玉树两侧分布大面积的低速扰动体，在研究区中部两侧为高低速扰动分界带;可可西里地区及唐古拉山-三江断褶带与高速扰动体相对应;拉萨地体的东部及雅江缝合线以南为低速扰动体。在藏南日喀则西北方向出现的呈南北方向条带状的高低速相间排列的速度异常带，很可能与分布在该区的南北向断陷盆地及地堑有关。另外，几条深大断裂在这个深度上的反映十分清晰，其中有阿尔金断裂、柴北缘断裂、东昆仑断裂、金沙缝合线、澜沧江断裂、雅鲁藏布江断裂等(彩图11)。
第三层(35～60km):这一层位相当于青藏高原中、下地壳深度。阿尔金断裂两侧高低速界面分布十分清晰;柴达木盆地的低速区在逐步缩小，其东部出现了高速扰动区;东昆仑及巴颜喀拉地体仍为高速扰动所覆盖;金沙缝合线两侧对应着高低速扰动体;澜沧江断裂十分清晰;唐古拉山对应着高速扰动体;可可西里逐步为低速扰动所覆盖;拉萨地体的东部及雅江以南出现了小范围的高速扰动值;雅江缝合现仍很清晰;当雄—墨竹工卡一带有条十分醒目的北西向低速扰动带。另外在日喀则西北，雅江及班公错-怒江缝合线之间，深部的近南北向高低速扰动成条带状交错分布的现象十分明显(彩图12)。
第四层(60～90km):这是相当于青藏高原莫霍面深度的层位。阿尔金断裂及金沙缝合线依然十分清晰而且位置改变不大;柴达木盆地的低速物质被来自东昆仑和巴颜喀拉地体的高速体截为东西两部分;可可西里地区对应着低速扰动体;雅江缝合线仍很明显，其北侧有微弱的高速异常出现;在拉萨的西部，有一条东西向的低速带横亘在拉萨地块的中部。30～60km处出现在当雄—墨竹工卡的北西向的低速扰动带依然存在;日喀则以北雅江及班公错-怒江缝合线之间，深部的南北向分带现象仍有显示(彩图13)。
第五层(90～130km):这一深度相当于青藏高原的上地幔，阿尔金断裂带在这个深度上仍十分明显，阿尔金山体为高速扰动体所覆盖;柴达木盆地东西两侧分布着低速扰动体，中部与北部与高速扰动相对应;金沙江缝合线两侧的高低速扰动体分界面很清晰;唐古拉山一带、念青唐古拉山、拉萨地体东部有大面积的高速体出现;班公错-怒江缝合线在研究区的西部尼玛一带有清晰的显示;雅鲁藏布江缝合线在这层深度上仍可变化;上述横亘在拉萨地块中部的低速带依然存在;日喀则以北的雅江及班公错-怒江缝合线之间，深部的南北分带现象出现在尼玛—昂仁之间(彩图14)。
第六层(130～180km):这层除了阿尔金山、柴达木盆地东部、金沙江缝合线的北部、唐古拉山、念青唐古拉山的东部、冈底斯山及可可西里地区、拉萨地体的东部被高速体覆盖，其余区间均为低速扰动值(彩图15)。
第七层(180～240km):这一层为青藏高原岩石圈的底界(彩图16)。图中蓝色调的高速扰动主宰了整个图面。该层中，高速扰动对应的主要地质单元有:柴达木盆地、西昆仑、唐古拉山、巴颜喀拉山、冈底斯山、念青唐古拉山、喜马拉雅山。主要的几处低速扰动分布在:曲麻莱北西的巴颜喀拉地体、羌塘地体的东段、可可西里地区、雅鲁藏布江流域的大转弯地区。另外，在拉萨—尼玛之间有一条较弱的低速扰动带沿北西方向展布。
第八层(240～310km):这一层位相当于青藏高原软流圈的深度。在这一深度上，较强的高速扰动主要分布在西昆仑、拉萨地体的东部。较强的低速体主要分布在格尔木与雁石坪之间的巴颜喀拉、羌塘地体以及可可西里地区。其余地区均被较弱的高速或低速扰动所覆盖。另外，第七层在拉萨—尼玛之间出现的低速条带，在这层仍有显示(彩图17)。
第九层(310～400km):较强的高速扰动体主要出现在藏南地区，即雅江大转弯地带的喜马拉雅山、冈底斯山;藏北为大面积的低速体所覆盖，青藏高原北部格尔木与雁石坪之间是速度最低点(扰动值可达－5%);其次是可可西里地区(彩图18)。
F. 预训练好的输入视频的神经网络有哪些
摘要 亲～你好 1、预训练网络是已经在数据集上训练过的模型。这种网络通常可以在加载网络参数之后立即产生有用的结果。
G. eviews软件的使用问题。 得到一个线性模型的回归结果之后怎样对残差作图
一元线性回归模型的置信区间与预测
多元线性回归模型的置信区间问题包括参数估计量的置信区间和被解释变量预测值的置信区间两个方面，在数理统计学中属于区间估计问题。所谓区间估计是研究用未知参数的点估计值（从一组样本观测值算得的）作为近似值的精确程度和误差范围，是一个必须回答的重要问题。
一、参数估计量的置信区间
在前面的课程中，我们已经知道，线性回归模型的参数估计量 是随机变量 的函数，即： ，所以它也是随机变量。在多次重复抽样中，每次的样本观测值不可能完全相同，所以得到的点估计值也不可能相同。现在我们用参数估计量的一个点估计值近似代表参数值，那么，二者的接近程度如何？以多大的概率达到该接近程度？这就要构造参数的一个区间，以点估计值为中心的一个区间（称为置信区间），该区间以一定的概率（称为置信水平）包含该参数。即回答 以何种置信水平位于 之中，以及如何求得a。
在变量的显着性检验中已经知道
(2.5.1)
这就是说，如果给定置信水平 ，从t分布表中查得自由度为(n-k-1)的临界值 ，那么t值处在 的概率是 。表示为
即
于是得到：在（ ）的置信水平下 的置信区间是
i=0,1 （2.5.3）
在某例子中，如果给定 ，查表得
从回归计算中得到
根据（2.5.2）计算得到 的置信区间分别为 和（0.1799,0.2401）
显然，参数 的置信区间要小。
在实际应用中，我们当然希望置信水平越高越好，置信区间越小越好。如何才能缩小置信区间？从（2.5.3）式中不难看出：（1）增大样本容量n。在同样的置信水平下，n越大，从t分布表中查得自由度为（n-k-1）的临界值 越小；同时，增大样本容量，在一般情况下可使估计值的标准差 减小，因为式中分母的增大是肯定的，分子并不一定增大。（2）更主要的是提高模型的拟合度，以减小残差平方和 。设想一种极端情况，如果模型完全拟合样本观测值，残差平方和为0，则置信区间也为0。（3）提高样本观测值的分散度。在一般情况下，样本观测值越分散，标准差越小。置信水平与置信区间是矛盾的。置信水平越高，在其他情况不变时，临界值 越大，置信区间越大。如果要求缩小置信区间，在其他情况不变时，就必须降低对置信水平的要求。
二、预测值的置信区间
1、 点预测
计量经济学模型的一个重要应用是经济预测。对于模型
，
如果给定样本以外的解释变量的观测值 ，有
因 是前述样本点以外的解释变量值，所以 和 是不相关的。引用已有的OLS的估计值，可以得到被解释变量 的点预测值：
(2.5.4)
但是，严格地说，这只是被解释变量的预测值的估计值，而不是预测值。原因在于两方面：一是模型中的参数估计量是不确定的，正如上面所说的；二是随机项的影响。所以，我们得到的仅是预测值的一个估计值，预测值仅以某一个置信水平处于以该估计值为中心的一个区间中。于是，又是一个区间估计问题。
2、 区间预测
如果已经知道实际的预测值 ，那么预测误差为
显然， 是一随机变量，可以证明
而
因为 由原样本的OLS估计值求得，而 与原样本不相关，故有：
，
可以计算出来：
(2.5.5)
(2.5.6)
因 和 均服从正态分布，可利用它们的性质构造统计量，求区间预测值。利用 构造统计量为：
将 用估计值 代入上式，有
这样，可得显着性水平 下 的置信区间为
(2.5.7)
(2.5.7)式称为 的均值区间预测。
同理，利用 构造统计量，有
将 用估计值 代入上式，有：
根据置信区间的原理，得显着性水平 下 的置信区间：
（2.5.8）
上式称为 的个值区间预测，显然，在同样的 下，个值区间要大于均值区间。(2.5.7)和(2.5.8)也可表述为： 的均值或个值落在置信区间内的概率为 ， 即为预测区间的置信度。或者说，当给定解释变量值 后，只能得到被解释变量 或其均值 以 的置信水平处于某区间的结论。
经常听到这样的说法，“如果给定解释变量值，根据模型就可以得到被解释变量的预测值为……值”。这种说法是不科学的，也是计量经济学模型无法达到的。如果一定要给出一个具体的预测值，那么它的置信水平则为0；如果一定要回答解释变量以100%的置信水平处在什么区间中，那么这个区间是∞。
在实际应用中，我们当然也希望置信水平越高越好，置信区间越小越好，以增加预测的实用意义。如何才能缩小置信区间？从（2.5.5）和(2.5.6)式中不难看出：（1）增大样本容量n。在同样的置信水平下，n越大，从t分布表中查得自由度为（n-k-1）的临界值 越小；同时，增大样本容量，在一般情况下可使 减小，因为式中分母的增大是肯定的，分子并不一定增大。（2）更主要的是提高模型的拟合优度，以减小残差平方和 。设想一种极端情况，如果模型完全拟合样本观测值，残差平方和为0，则置信区间长度也为0，预测区间就是一点。（3）提高样本观测值的分散度。在一般情况下，样本观测值越分散，作为分母的 的值越大，致使区间缩小。置信水平与置信区间是矛盾的。置信水平越高，在其他情况不变时，临界值 越大，置信区间越大。如果要求缩小置信区间，在其他情况不变时，就必须降低对置信水平的要求。
四、一元线性回归模型参数估计实例
为了帮助读者理解一元线性回归模型参数估计的原理，下面以我国国家财政文教科学卫生事业费支出模型为例，不采用计量经济学应用软件，用手工计算，进行模型的参数估计。
经分析得到，我国国家财政中用于文教科学卫生事业费的支出，主要由国家财政收入决定，二者之间具有线性关系。于是可以建立如下的模型：
其中， 为第t年国家文教科学卫生事业费支出额（亿元）， 为第t年国家财政收入额（亿元）， ，为随机误差项， 为待估计的参数。选取1991—1997年的数据为样本，利用（2.2.6）和（2.2.7）的计算公式，分别计算参数估计值。
表2.2.1 有关数据表
年份 ED FI
1991 708 3149 -551 -2351 734 -26 -0.037
1992 793 3483 -466 -2017 804 -11 -0.014
1993 958 4349 -301 -1151 1001 -43 -0.045
1994 1278 5218 19 -282 1196 82 0.064
1995 1467 6242 208 742 1424 43 0.029
1996 1704 7408 445 1908 1685 19 0.011
1997 1904 8651 645 3151 1963 -59 -0.031
有关中间计算结果如下：
由电脑计算的参数估计值为
全部统计结果如下表。
从表中可看出，判定系数 0.99，表示以国家财政收入额来解释国家文教科学卫生事业费支出额，在1991至1997年间，拟合度相当理想。截距项 的估计值对应的t-统计量为0.47，不能通过显着性检验，即不能推翻 为0的假设；而一次系数 的估计值对应的t-统计量为20.34，不用查表即可知通过显着性检验，即 显着不为0，因果关系成立。F-统计量的值为413.58，也表示方程系数显着不为0。
表一：Eviews计算结果
Dependent Variable: ED
Method: Least Squares
Date: 09/21/02 Time: 16:22
Sample: 1991 1997
Included observations: 7
Variable Coefficient Std. Error t-Statistic Prob.
C 30.05237 63.90691 0.470252 0.6580
FI 0.223419 0.010986 20.33659 0.0000
R-squared 0.988055 Mean dependent var 1258.857
Adjusted R-squared 0.985666 S.D. dependent var 459.8972
S.E. of regression 55.06160 Akaike info criterion 11.08974
Sum squared resid 15158.90 Schwarz criterion 11.07428
Log likelihood -36.81408 F-statistic 413.5768
Durbin-Watson stat 1.644626 Prob(F-statistic) 0.000005
表二：不含截距项的Eviews计算结果：
Dependent Variable: ED
Method: Least Squares
Date: 09/21/02 Time: 16:19
Sample: 1991 1997
Included observations: 7
Variable Coefficient Std. Error t-Statistic Prob.
FI 0.228304 0.003337 68.40877 0.0000
R-squared 0.987526 Mean dependent var 1258.857
Adjusted R-squared 0.987526 S.D. dependent var 459.8972
S.E. of regression 51.36364 Akaike info criterion 10.84730
Sum squared resid 15829.34 Schwarz criterion 10.83957
Log likelihood -36.96556 Durbin-Watson stat 1.630622
Dependent Variable: LED
Method: Least Squares
Date: 09/21/02 Time: 16:21
Sample: 1991 1997
Included observations: 7
Variable Coefficient Std. Error t-Statistic Prob.
C -1.522329 0.383141 -3.973290 0.0106
LFI 1.005563 0.044764 22.46341 0.0000
R-squared 0.990188 Mean dependent var 7.077084
Adjusted R-squared 0.988226 S.D. dependent var 0.382958
S.E. of regression 0.041554 Akaike info criterion -3.288701
Sum squared resid 0.008634 Schwarz criterion -3.304156
Log likelihood 13.51045 F-statistic 504.6048
Durbin-Watson stat 1.930000 Prob(F-statistic) 0.000003
多元线性回归模型的参数估计实例
例2.3.1 建立中国消费模型。根据消费模型的一般形式，选择消费总额为被解释变量，国内生产总值和前一年的消费总额为解释变量，变量之间关系为简单线性关系，选取1981年至1996年统计数据为样本观测值。样本观测值列于表2.3.1中。
表2.3.1 中国消费数据表
年份 消费总额 国内生产总值 前一年消费额 年份 消费总额 国内生产总值 前一年消费额
1981 3309 4901 2976 1989 10556 16466 9360
1982 3638 5489 3309 1990 11362 1832 10556
1983 4021 6076 3638 1991 13146 21280 11362
1984 4694 7164 4021 1992 15952 25864 13146
1985 5773 8792 4694 1993 20182 34501 15952
1986 6542 10133 5773 1994 27216 47111 20182
1987 7451 11784 6542 1995 34529 59405 27216
1988 9360 14704 7451 1996 40172 68498 34529
以y代表消费总额， 代表国内生产总值， 代表前一年消费总额，应用计量经济分析软件包TSP6.5中普通最小二乘法估计模型，得到下列结果：
（2.3.13）
（6.83） （32.36） （5.70）
式中各项都是评价估计结果优劣的重要标准，后面将逐一介绍。这里仅讨论参数估计值。两个解释变量前的参数估计值分别为0.4809和0.1985，都为正数，且都处于0与1之间，常数项的估计值也为正，这些参数估计值的经济含义是合理的。随机误差项的方差的估计值为33739.5。
H. 神经网络预测的实测数据量需要多少
越多越好，大概二三十组为宜。望采纳