111回归分析的基本思想及其初步应用.pptVIP

思考：相关关系与函数关系有怎样的不同？ 函数关系中的两个变量间是一种确定性关系 相关关系是一种非确定性关系 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1-2——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 第一章 统计案例 必修3(第二章 统计)知识结构 收集数据 (随机抽样) 整理、分析数据估计、推断 简单随机抽样 分层抽样 系统抽样 用样本估计总体 变量间的相关关系 用样本的频率分布估计总体分布 用样本数字特征估计总体数字特征 线性回归分析 1、两个变量的关系 不相关 相关关系 函数关系 线性相关 非线性相关 问题1：现实生活中两个变量间的关系有哪些呢？ 相关关系：对于两个变量，当自变量取值一定时，因变量的取值带有一定随机性的两个变量之间的关系。 回顾复习函数关系是一种理想的关系模型相关关系在现实生活中大量存在，是更一般的情况 问题2：对于线性相关的两个变量用什么方法来刻划之间的关系呢？ 2、最小二乘估计 最小二乘估计下的线性回归方程： 回归直线必过样本点的中心 3、回归分析的基本步骤: 画散点图 求回归方程 预报、决策 这种方法称为回归分析. 回归分析是对具有相关关系的两个变量进行统计 分析的一种常用方法. 例1 从某大学中随机选出8名女大学生，其身高和体重数据如下表： 59 43 61 64 54 50 57 48 体重 170 155 165 175 170 157 165 165 身高 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.　 例1 从某大学中随机选出8名女大学生…… 解：由于问题中要求根据身高预报体重，因此选取身高为自变量x，体重为因变量y. 作散点图 所以回归方程是 所以，对于身高为172cm的女大学生，由回归方程可以预报 其体重为 探究P4： 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？ 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1-1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。 探究P4： 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。 60.136kg不是每个身高为172cm的女大学生的体重的预测值，而是所有身高为172cm的女大学生平均体重的预测值。 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1-1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。 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。 3、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。 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P3 产生随机误差项e 的原因是什么？ 思考 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 x 的观测误差。 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只能解析部分y的变化。在统计中，我们也把自变量x称为解析变量，因变量y称为预报变量。 我知道用回归方程刻画两变量之间的关系随机误差肯定存在，需要考虑误差是影响是否很大？ 若误差