短纤维含量的回归模型

从研究1985年产棉花开始，我们对每一种HVI数据进行了长度和均匀度测定，有UHM、ML和UI及来自思彬莱照影仪的SL_2.5％、SL_50％和UR。为了确定SFC和每一个HVI数组间的关系，首先探索多项回归模型，在任何情况下，这一模型近乎线性。用MCI数据简单线性回归的结果（见表1）表明：SFC随三种长度分布测定值的增加而减小。用思彬莱照影仪数据也可获得近似结果。

 表1  SFN和SFW简单线性模型

^*相关系数的绝对值      ^**变量分析中获得的标准差

下一步应用复杂线性回归分析，用每种情况下的三种HVI测定法之外的两种，这两种方法必须相互独立，而第三种方法是由这两种方法计算所得。1985年获得的数据表明：不管排列数据多么分散，通过重要的实验都能获得模型。长度变量减小时，SFC增加，回归系数是负值，象简单模型一样，在多数情况下均是如此。如此在确定SFC时，如第1部分证明的那样，应忽略形态分布变量。

为巩固这种解释，将每一对长度测定间进行线性联结。结果表明：(1)UHM与ML间有较强的正相关，见表2所示。

                                 表2 线性试验

因此，用这两个解释变量的回归方程是十分稳定的；

 表3 短纤维含量的数量（SFN）和重量（SFW）复回归模型

▲复合测定的相关系数的正平方根，等价于简单线性模型的相关系数。

（2）含有UHM和UI的两种测定方法，回归方程多数比较稳定，但是相关值较低；

（3）ML和UI间的相关值较高，但不足以使方程接受这些变量

下面用一个长度范围变量和一个分布形态变量进行复杂回归分析。表3中给出1985年~1987年和三年累计结果。表中每一种均以线性方程形式出现，可在已知UHM和UI或ML和UI值时，得出SFC和SFW的平均值。

另外表3中的方程，对每一种形式用95％的相关系数给出预置区间，用Bonferoni极限计算M的新观测值。把每一个M观测值的平均值作为一个简单值，重复m次。由于交替地收集MCI数据对每个棉花样品构成四种观测结果，将这些值赋值给M，具有M=4，预置间隙中初步含有80％的试验数据。

为确定与更复杂计算相关的预置极限，给出了用来解决预置极限的方程和计算。表4中给出的数据同表3一样，曾以参考4中给出的一般理论为基础，进行回归分析和变量计算。为预测间隔快速评价，应根据确定SEE的标准差，选用一种简      单的线性方程，这一等价是可能的，因为预置极限是一个平面，平行于回归平面。例如尽管方程与UHM和UI有关，预测空间是平均(SFC)±(0.94-1.12)*SEE。较低极限在UHM≌1.0~1.1英寸和UI≌800%是有效的，预置空间增加虽小，随着UHM和UI的增减，图2和图3表明：回归平面SFN（UHM，UI）、SFN （ML，UI）、SFW（UHM，UI）和SFW（ML，UI）相当于表4中给出的方程，表现出与用于分析范围相应的最高和最低极限表面（UHM=0.941.16英寸，MI=0.75～0.95英寸和UI＝77％~83％）。如此，用UHM、UI和用ML、UI得到的SFC间的差异在绘图中很难看出，在实践中可以忽略。