人教版·选修1-2§1.1.1对回归模型地统计检验.pptVIP

离差平方和的分解 （三个平方和的意义） 总偏差平方和(SST) 反映因变量的 n 个观察值与其均值的总离差 回归平方和(SSR) 反映自变量 x 的变化对因变量 y 取值变化的影响，或者说，是由于 x 与 y 之间的线性关系引起的 y 的取值变化，也称为可解释的平方和 残差平方和(SSE) 反映除 x 以外的其他因素对 y 取值的影响，也称为不可解释的平方和或剩余平方和 样本决定系数 （判定系数 r2 ） 回归平方和占总离差平方和的比例 什么是回归分析？（内容） 从一组样本数据出发，确定变量之间的数学关系式 对这些关系式的可信程度进行各种统计检验，并从影响某一特定变量的诸多变量中找出哪些变量的影响显著，哪些不显著 利用所求的关系式，根据一个或几个变量的取值来预测或控制另一个特定变量的取值，并给出这种预测或控制的精确程度 * §1.1.2 对回归模型的统计检验 人教版·选修1－2 思考P5： 如何刻画预报变量（体重）的变化？这个变化在多大程度上 与解析变量（身高）有关？在多大程度上与随机误差有关？ 假设身高和随机误差的不同不会对体重产生任何影响，那么所有人的体重 将相同。在体重不受任何变量影响的假设下，设8名女大学生的体重都是她们 的平均值，即8个人的体重都为54.5kg。 54.5 54.5 54.5 54.5 54.5 54.5 54.5 54.5 体重/kg 170 155 165 175 170 157 165 165 身高/cm 8 7 6 5 4 3 2 1 编号 54.5kg 在散点图中，所有的点应该落在同一条 水平直线上，但是观测到的数据并非如 此。这就意味着预报变量（体重）的值 受解析变量（身高）或随机误差的影响。 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。 解析变量（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是解析变量和随机误差的组合效应。 编号为3的女大学生的体重并也没有落在水平直线上，她的体重为50kg。解析 变量（身高）和随机误差共同把这名学生的体重从50kg“推”到了54.5kg，相差-4.5kg， 这时解析变量和随机误差的组合效应为-4.5kg。 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。 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 那么，在这个总的效应（总偏差平方和）中，有多少来自于解析变量 （身高）？有多少来自于随机误差？ 假设随机误差对体重没有影响，也就是说，体重仅受身高的影响，那么散点图 中所有的点将完全落在回归直线上。但是，在图中，数据点并没有完全落在回归 直线上。这些点散布在回归直线附近，所以一定是随机误差把这些点从回归 直线上“推”开了。 在例1中，残差平方和约为128.361。 因此，数据点和它在回归直线上相应位置的差异 是随机误差的效应， 称 为残差。 例如，编号为6的女大学生，计算随机误差的效应（残差）为： 对每名女大学生计算这个差异，然后分别将所得的值平方后加起来，用数学符号 称为残差平方和，它代表了随机误差的效应。 表示为： 由于解析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，所以解析变量的效应为 解析变量和随机误差的总效应（总偏差平方和） =解析变量的效应（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 反映回归直线的拟合程度 取值范围在 [ 0 , 1 ] 之间 r2 ?1，说明回归方程拟合的越好；r2?0，说明回归方程拟合的越差 判定系数等于相关系数的平方，即r2＝(r)2 我们可以用相关指数R2来刻画回归的效果，其计算公式是 显然，R2的值越大，说明残差平方和越小，也就是说模型拟合效果越好。 在线性回归模型中，R2表示解析变量对预报变量变化的贡献率。 R2越接近1，表示回归的效果越好（因为R2越接近1，表示解析变