高中数学.2-3..回归分析.pptVIP

高二数学 选修2-3 3.1回归分析的基本思想及其初步应用 * * 郑平正 制作 问题1：正方形的面积y与正方形的边长x之间 的函数关系是 y = x2 确定性关系 问题2：某水田水稻产量y与施肥量x之间是否 -------有一个确定性的关系？ 例如：在 7 块并排、形状大小相同的试验田上 进行施肥量对水稻产量影响的试验，得到如下所示的一组数据： 施化肥量x 15 20 25 30 35 40 45 水稻产量y 330 345 365 405 445 450 455 复习、变量之间的两种关系 自变量取值一定时，因变量的取值带有一定随机性的两个变量之间的关系叫做相关关系。 1、定义： 1）：相关关系是一种不确定性关系； 注 对具有相关关系的两个变量进行统计分析的方法叫回归分析。 2）： 2、回归分析的内容与步骤： 统计检验通过后，最后是利用回归模型，根据自变量去估计、预测因变量。 回归分析通过一个变量或一些变量的变化解释另一变量的变化。 其主要内容和步骤是： 首先根据理论和对问题的分析判断，将变量分为自变量和因变量； 其次，作出散点图，设法找出合适的数学方程式（即回归模型）描述变量间的关系； 由于涉及到的变量具有不确定性，接着还要对回归模型进行统计检验； 最小二乘法： 其中 回归直线过样本点的中心 称为样本点的中心 例1 从某大学中随机选取8名女大学生，其身高和体重数据 如表所示。 编号 1 2 3 4 5 6 7 8 身高/cm 165 165 157 170 175 165 155 170 体重/kg 48 57 50 54 64 61 43 59 求根据一名女大学生的身高预报她的体重的回归方程，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 解：1、选取身高为自变量x， 体重为因变量y，作散点图： 2、由散点图知道身高和体重有比较好的线性相关关系，因此可以用线性回归方程刻画它们之间的关系。 2.回归方程： 预测身高为x=172cm 的女生体重为： 案例1：女大学生的身高与体重 1、其它因素的影响：影响身高 y 的因素不只是体重 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。 当以上其他因素造成的误差很小时，模型的拟合效果越好 从散点图还看到，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。 探究： 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？ 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。 函数模型与回归模型之间的差别 函数模型： 回归模型： 线性回归模型y=bx+a+e增加了随机误差项e，因变量y的值由自变量x和随机误差项e共同确定，即自变量x只能解释部分y的变化。 在统计中，我们也把自变量x称为解释变量，因变量y称为预报变量。 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 例如，编号为6的女大学生的体重并没有落在水平直线上，她的体重为61kg。解释变量（身高）和随机误差共同把这名学生的体重从54.5kg“推”到了61kg，相差6.5kg，所以6.5kg是解释变量和随机误差的组合效应。 用这种方法可以对所有预报变量计算组合效应。 数学上，把每个效应（观测值减去总的平均值）的平方加起来，即用 表示总的效应，称为总偏差平方和。 在例1中，总偏差平方和为354。 54.5kg 由于解释变量和随机误差的总效应（总偏差平方和）为354，而随机误差的效应为128.361，所以解释变量的效应为 解释变量和随机误差的总效应（总偏差平方和） =解释变量的效应（回归平方和）+随机误差的效应（残差平方和） 354-128.361=225.639 这个值称为回归平方和。 我们可以用相关指数R2来刻画回归的效果，其计算公式是 1 354 总计 0.36 128.361 残差变量 0.64 225.639 随机误差 比例 平方和 来源 从表3-1中可以看出，解释变量对总效应约贡献了64%，即R2 0.64，可以叙述为 “身高解析了64%的体重变化”，而随机误差贡献了剩余的36%。 所以，身高对体重的效应比随机误差的效应大得多。 我们可以用相关指数R2来刻画回归的效果，其计算公式是 小结：样本