高中数学：3《8-2-2一元线性回归模型参数的最小二乘估计第二课时》教学设计.docx

湖南省中小学课程资源

教学设计

课程基本信息

学科

（数学）

年级

（高二）

学期

(春季)

课题

8.2.2一元线性回归模型参数的最小二乘估计（第二课时）

教科书

书名：选择性必修第三册教材

出版社：人民教育出版社出版日期：2020年3月

教学目标

1.能通过具体实例说明修改一元线性回归模型的依据与方法。

2.通过对具体问题的进一步分析，能将某些非线性回归问题转化为线性回归问题并加以解决，提高数学运算素养。

3.能通过实例说明决定系数R2的意义和作用，提高数据分析素养。

教学内容

教学重点：

一元线性回归模型的修改，将非线性回归问题转化为线性回归问题并加以解决，决定系数R2的意义和作用。

教学难点：

运用合适的变换将非线性相关问题，用决定系数R2判断模型的优劣程度。

教学过程

环节一复习回顾，归纳步骤

经验表明，一般树的胸径(树的主干在地面以上1.3m处的直径)越大，树就越高.由于测量树高比测量胸径困难，因此研究人员希望由胸径预测树高.在研究树高与胸径之间的关系时，某林场收集了某种树的一些数据如下表，试根据这些数据建立树高关于胸径的经验回归方程.

分析：因为要由胸径预测树高，所以要以成对样本数据的胸径为横坐标、树高为纵坐标描出散点，进而得到散点图，再根据散点图推断树高与胸径是否线性相关.如果是，再利用

公式计算出b,

散点大致分布在一条从左下角到右上角的直线附近，表明两个变量线性相关，并且是正相关，因此可以用一元线性回归模型刻画树高与胸径之间的关系.

，

用d表示胸径,h表示树高,根据据最小二乘法,计算可得经验回归方程为

根据经验回归方程，由胸径的数据可以计算出树高的预测值(精确到0.1)以及相应的残差，如下表所示.

以胸径为横坐标,残差为纵坐标,作残差图,得到下图.

观察残差表和残差图，可以看到，残差的绝对值最大是0.8，所有残差分布在以横轴为对称轴、宽度小于2的带状区域内.可见经验回归方程较好地刻画了树高与胸径的关系，我们可以根据经验回归方程由胸径预测树高.

【设计意图】通过复习回顾，检查学生对一元线性回归模型掌握的情况，并由此归纳求经验回归方程的一般步骤。

环节二模型分析，优化方法

1、观看视频，你知道32岁的苏炳添为什么能够跑出如此优异的成绩吗？

2、问题人们常将男子短跑100m的高水平运动员称为“百米飞人”.下表给出了1968年之前男子短跑100m世界纪录产生的年份和世界纪录的数据.试依据这些成对数据，建立男子短跑100m世界纪录关于纪录产生年份的经验回归方程.

以成对数据中的世界纪录产生年份为横坐标,世界纪录为纵坐标作散点图,得到下图

在上图中，散点看上去大致分布在一条直线附近，似乎可用一元线性回归模型建立经验回归方程.

用Y表示男子短跑100m的世界纪录,t表示纪录产生的年份,利用一元线性回归模型

来刻画世界纪录和世界纪录产生年份之间的关系.根据最小二乘法,由表中的数据得到经验回归方程为

【设计意图】通过具体案列巩固求经验回归方程的具体步骤，为进一步探求回归分析过程中存在的问题和改进的方法作准备。

问题1：从图中可以看到，经验回归方程较好地刻画了散点的变化趋势，请再仔细观察图形，你能看出其中存在的问题吗？

第一个世界纪录所对应的散点远离经验回归直线，并且前后两时间段中的散点都在经验回归直线的上方，中间时间段的散点都在经验回归直线的下方.

这说明散点并不是随机分布在经验回归直线的周围，而是围绕着经验回归直线有一定的变化规律，即成对样本数据呈现出明显的非线性相关的特征.

【设计意图】通过这个具体实例，使学生发现，虽然散点图分布大致在一条直线附近，也可以用最小二乘法求出经验回归方程，但用直线方程进行拟合可能不是描述这个问题的最好方法。

问题2：你能对模型进行修改,以使其更好地反映散点的分布特征吗？

仔细观察图形,可以发现散点更趋向于落在中间下凸且递减的某条曲线附近.

追问1：回顾已有的函数知识，哪些函数的图像具有类似的形状特征呢？

对数型函数、指数型函数、反比型例函数。

追问2：你能分别用这三类函数进行拟合，求出它们的经验回归方程，并比较拟合效果吗？

我们先来用对数型函数进行拟合，然后看看拟合效果。

追问3：你能用对数型函数来进行拟合，从而修正模型,以使其更好地反映散点的分布特征吗？

注意到100m短跑的第一个世界纪录产生于1896年,因此可以认为散点是集中在一条对数型曲线的周围，因此可设非线性回归方程为：y=f(t)=c1+c2ln(t-1895)

（其中c1、c2为未知参数，且c20）.

如何利用成对数据估计参数c1和c2？引进一个中间变量x，令x=ln(t-1895)，则Y=c2