回归直线方程解释.ppt

回归直线及方程 年龄 脂肪含量 方案一:先画一条直线,测量出各点与它的距离,然后移动 直线,到达一个使距离的和最小的位置,测量出此时的斜 率和截距,就可得到回归方程了. 但是,这样做可靠吗? 操作性比较困难 年龄 脂肪含量 方案二:在图中选择这样的两点画直线,使得直线两侧的 点的个数基本相同. 这样做能保证各点此与直线在整体 上是最接近的吗? 准确性不高 从散点图我们可以看出,年龄越大,体内脂肪含量越高. 那么当人的年龄增加时,体内脂肪到底是以什么方式增加的呢? 如果散点图中点的分布从整体上看大致在一条直线 附近,我们就称这两个变量之间具有线性相关关系,这条 直线叫做回归直线.如果能够求出这条回归直线的方程 (简称回归方程),那么我们就可以比较清楚地了解年龄与 体内脂肪含量的相关性,就像平均数可以作为一个变量的 数据代表一样,这条直线可以作为两个变量具有线性相关 关系的代表. 那么,我们应当如何具体求出这个回归方程呢? 我们还可以找到更多的方法，但这些方法都可行吗?科学吗？准确吗？怎样的方法是最好的？ 我们把由一个变量的变化去推测另一个变量的方法称为回归方法。 年龄 脂肪含量 方案三:在图中多取几组点,确定出几条直线的方程,再分 别求出各条直线的斜率、截距的平均数,将这两个平均 数当成回归方程的斜率和截距. 同学们不妨去实践一下,看看这些方法是不是真的可行? 这样,用这n个偏差的和来刻画”各点与此直线的整体 偏差”是比较合适的,但由于它含有绝对值,运 算不太方便,所以改用: ① 这样,问题就归结为:当a,b取什么值时Q最小,即总体 偏差最小.经过数学上求最小值的运算,求a,b的公式为: ② 实际上,求回归方程的关键是如何利用数学的方法 来刻画“从整体上看,各点与此直线的距离最小”. 怎样理解呢? 假设我们已经得到两个具有线性相关关系变量的一组数据 (x1,y1), (x2,y2), …, (xn,yn). 且所求回归方程是 ,其中a,b是待定系数. (x1， y1) (x2，y2) (xi，yi) (xn，yn) 我们上面给出的几种方案可靠性都不是很强，人们经过长期的实践与研究，已经找到了计算回归方程的斜率与截距的一般公式: 以上公式的推导较复杂，故不作推导，但它的原理较为简单：即各点到该直线的距离的平方和最小，这一方法叫最小二乘法。（参看如书P88） 例2：观察两相关变量得如下表： x -5 -4 -3 -2 -1 1 3 2 4 5 y -9 -7 -5 -3 -1 1 5 3 7 9 求两变量间的回归方程 解： 最小二乘法求回归直线方程： （1）公式： 回归方程为： 解1： 画散点图： 由散点图可知，两者之间不具有线性相关关系，求回归直线方程无意义。 求线性回归直线方程的步骤： 第一步：列表 ; 第二步：计算 ; 第三步：代入公式计算b,a的值； 第四步：写出直线方程。 总结 二、求线性回归方程 例1：观察两相关变量得如下表： x -1 -2 -3 -4 -5 5 3 4 2 1 y -9 -7 -5 -3 -1 1 5 3 7 9 判断两变量的相关关系，求回归直线方程有意义吗？ 列表： i 1 2 3 4 5 6 7 8 9 10 -5 -4 -3 -2 -1 1 3 2 4 5 -9 -7 -5 -3 -1 1 5 3 7 9 45 28 15 6 1 1 15 6 28 45 计算得: ∴所求回归直线方程为 y= x ^ (3)从散点图可以看出，这些点大致分布在一条直线附近。 Y=-2.352x+147.767 ^ （4）当 x = 2时，y =143.063,因此，这天大约可以卖出143杯热饮。 ^ 例2：有一个同学家开了一个小卖部，他为了研究气温对热饮销售的影响，经过统计，得到一个卖出的热饮杯数与当天气温的对比表： 摄氏温度 -5 0 4 7 12 15 19 23 27 31 36 热饮杯数 156 150 132 128 130 116 104 89 93 76 54 (1)画出散点图； (2)从散点图中发现气温与热饮销售杯数之间