回归分析的基本思想及其初步应用第二、第三课时194769.pptVIP

徐闻中学 郑廷状 相关系数 相关系数的性质: (1)|r|≤1． (2)|r|越接近于1，相关程度越强；|r|越接近于0， 相关程度越弱． 相关关系的测度（相关系数取值及其意义） 例《导与练》P55例3 * 数学３——统计内容 画散点图 了解最小二乘法的思想 求回归直线方程 y＝bx＋a 用回归直线方程解决应用问题 最小二乘法： 称为样本点的中心。 2、求回归直线方程的步骤： （3）代入公式 （4）写出直线方程为y=bx+a,即为所求的回归直线方程。 ^ 某大学中随机选取8名女大学生，其身高和体重数据如下表所示. 59 43 61 64 54 50 57 48 体重/kg 170 155 165 175 170 157 165 165 身高/cm 8 7 6 5 4 3 2 1 编号 求根据女大学生的身高预报体重的回归方程，并预报一名身高为172cm的女大学生的体重. 案例1：女大学生的身高与体重 样本点呈条状分布，身高和体重有较好的线性相关关系，因此可以用线性回归方程来近似的刻画它们之间的关系. 解：①选取身高为自变量x，体重为因变量y， ②作散点图： 由 得： 故所求线性回归方程为： 因此，对于身高172cm的女大学生，由线性回归方程可以预报其体重为： 是斜率的估计值，说明身高x每增加1个单位时，体重y就增加0.849个单位，这表明体重与身高具有正的线性相关关系. 如何描述它们之间线性相关关系的强弱？ 如何描述两个变量之间线性相关关系的强弱？ 问题：达到怎样程度，x、y线性相关呢？ 它们的相关程度怎样呢？ -1.0 +1.0 0 -0.5 +0.5 完全负相关 无线性相关 完全正相关 负相关程度增加 r 正相关程度增加 某大学中随机选取8名女大学生，其身高和体重数据如下表所示. 59 43 61 64 54 50 57 48 体重/kg 170 155 165 175 170 157 165 165 身高/cm 8 7 6 5 4 3 2 1 编号 求根据女大学生的身高预报体重的回归方程，并预报一名身高为172cm的女大学生的体重. 故所求回归方程为： r=0.7980.75 表明体重与身高有很强的线性相关性，从而说明我们建立的回归模型是有意义的. 例《导与练》P55例2 探究P83： 身高为172cm的女大学生的体重一定是60.316kg吗？ 如果不是，你能解析一下原因吗？ 答：身高为172cm的女大学生的体重不一定是60.316kg， 但一般可以认为她的体重在60.316kg左右。 从散点图看到，样本点散布在某一条直线的附近，而不是在一条直线上，所以不能用一次函数y=bx+a描述它们关系。 我们可以用下面的线性回归模型来表示：y=bx+a+e，其中a和b为模型的未知参数，e称为随机误差。 思考P83 产生随机误差项e的原因是什么？ 随机误差e的来源(可以推广到一般）： 1、其它因素的影响：影响体重y 的因素不只是身高x,可能还包括遗传基因、饮食习惯、生长环境等因素； 2、用线性回归模型近似真实模型所引起的误差； 3、身高 y 的观测误差。 线性回归模型y=bx+a+e与我们了的一次函数模型不同之处在于多了一个随机误差e，y的值有它们一起决定 解释变量x 预报变量y 随机误差e 在上面的例子中我们假设体重与身高没有关系即：体重都为： 则，她们身高－体重的散点图应该在一条水平直线上： 事实上，并非如此，它们和45.5之间存在差别，这时我们就引入随机误差，利用随机误差和解释变量共同来预报变量y 把所有的这种效应利用总体偏差平方和合并成一个数 总体偏差平方和 解释变量 随机误差 ？ ？ 我们现在要弄清楚这个总的效应中，有多少来自解释变量，有多少来自随机误差，即：哪一个效应起决定性作用？ 根据我们在《数学3》总的知识，我们知道：每个点与回归方程的差异我们可以用 来表示，记作： (残差(residual))它刚好可以表示随机误差的效应。 为了回归的准确和计算的方便我们引入残差平方和(residual sum of squares)它代表随机误差的效应 求出了随机误差的效应后，我们就比较容易得到解释变量的效应了。同学们知道怎样求吗？ 解释变量的效应＝总体偏差平方和－残差平方和 回归平方和 (regression sun of squares) 有了这些评估效应的方法，我们就可以利用它们来刻画总体效应，事实上，为了将我们的计算简化，我们又引入相关指数R2来刻画回归的效果： 残差平方和 总体偏差平方和 显然，当R2的值越大，说明残差所占的比例越小，回归效果约好；反之,回归效果越差。一般的，当R2越接近于1,说