3.1回归的基本思想及其初步应用(三)讲述.ppt

* 解： （1）由已知数据制成表格。 1 2 3 4 5 合计 2 3 4 5 6 20 2.2 3.8 5.5 6.5 7.0 25 4.4 11.4 22.0 32.5 42.0 112.3 4 9 16 25 36 90 所以有 * * 郑平正 制作 * 郑平正 制作 3.1回归分析的基本思想及其初步应用（三） * 比《数学3》中“回归”增加的内容 数学３——统计 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 选修2-3——统计案例 引入线性回归模型 y＝bx＋a＋e 了解模型中随机误差项e产生的原因 了解相关指数 R2 和模型拟合的效果之间的关系 了解残差图的作用 利用线性回归模型解决一类非线性回归问题 正确理解分析方法与结果 * 复习回顾 1、线性回归模型： y=bx+a+e， (3) 其中a和b为模型的未知参数，e称为随机误差。 y=bx+a+e， E(e)=0,D(e)= (4) 2、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。 3、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，用数学符号表示为： 称为残差平方和，它代表了随机误差的效应。 * 4、两个指标： （1）类比样本方差估计总体方差的思想，可以用作 为 的估计量， 越小，预报精度越高。 （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： 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。 * 表3-2列出了女大学生身高和体重的原始数据以及相应的残差数据。 在研究两个变量间的关系时，首先要根据散点图来粗略判断它们是否线性相关，是否可以用回归模型来拟合数据。 5、残差分析与残差图的定义： 然后，我们可以通过残差 来判断模型拟合的效果，判断原始数据中是否存在可疑数据，这方面的分析工作称为残差分析。 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 残差 -6.373 2.627 2.419 -4.618 1.137 6.627 -2.883 0.382 我们可以利用图形来分析残差特性，作图时纵坐标为残差，横坐标可以选为样本编号，或身高数据，或体重估计值等，这样作出的图形称为残差图。 * 残差图的制作及作用 1、坐标纵轴为残差变量，横轴可以有不同的选择； 2、若模型选择的正确，残差图中的点应该分布在以横轴为心的带形区域； 3、对于远离横轴的点，要特别注意。 身高与体重残差图 异常点 错误数据 模型问题 几点说明： 第一个样本点和第6个样本点的残差比较大，需要确认在采集过程中是否有人为的错误。如果数据采集有错误，就予以纠正，然后再重新利用线性回归模型拟合数据；如果数据采集没有错误，则需要寻找其他的原因。 另外，残差点比较均匀地落在水平的带状区域中，说明选用的模型计较合适，这样的带状区域的宽度越窄，说明模型拟合精度越高，回归方程的预报精度越高。 * 例1 在一段时间内，某中商品的价格x元和需求量Y件之间的一组数据为： 求出Y对的回归直线方程，并说明拟合效果的好坏。 价格x 14 16 18 20 22 需求量Y 12 10 7 5 3 解： * 例1 在一段时间内，某中商品的价格x元和需求量Y件之间的一组数据为： 求出Y对的回归直线方程，并说明拟合效果的好坏。 价格x 14 16 18 20 22 需求量Y 12 10 7 5 3 列出残差表为 0.994 因而，拟合效果较好。 0 0.3 -0.4 -0.1 0.2 4.6 2.6 -0.4 -2.4 -4.4 * 例2 关于x与y有如下数据： 有如下的两个线性模型： （1） ；（2） 试比较哪一个拟合效果更好。 x 2 4 5 6 8 y 30 40 60 50 70 * 6、注意回归模型的适用范围： （1）回归方程只适用于我们所研究的样本的总体。样本数据来自哪个总体的，预报时也仅适用于这个总体。 （2）模型的时效性。利用不同时间段的样本数据建立的模型，只有用来对那段时间范围的数据