变量之间的相关关系.docVIP

“变量间的相关关系”中的核心概念和思想方法解读及教学建议 河北师范大学数学与信息科学学院 程海奎 这部分内容涉及到一些重要的统计思想和方法，对学生的学习和教师的教学都有一定的难度．本文就研究对象、核心概念、研究方法、统计思想及相关应用进行简单的解读，提出一些教学建议，希望对教学能提供一些帮助． 一、相关概念及统计思想方法 1．相关关系——变量间的不确定关系 两个变量之间的数量关系有两种不同的类型：一种是函数关系，一种是相关关系．当一个变量取一定的值时，另一个变量有确定的值与之对应，我们称这种关系为确定的函数关系．一般把作为影响因素的变量称为自变量，把与之对应变化的变量称为因变量． 当一个变量取一定的数值时，与之对应的另一个变量的值虽然不确定，但它按某种规律在一定的范围内变化，变量间的这种关系称为不确定性的相关关系．或者说两个变量之间确实存在某种关系，但不具备函数关系所要求的确定性． 函数关系和相关关系都是指两个变量之间的数量关系．函数关系是两个非随机变量之间的一种确定关系，是一种因果关系．而相关关系是两个变量之间的一种不确定的关系，这两个变量中至少有一个是随机变量．两个相关变量之间可能有内在联系（真实相关），也可能完全不存在内在联系（虚假相关）． 之所以X和Y之间是相关关系，原因是变量X是影响变量Y的主要因素，但不是唯一因素，还有其他种种因素，而这些因素我们又不能完全把握． 研究函数关系，可以用数学分析的方法．例如，已知y和x之间具有线性关系，即，此时只要知道变量的两组取值就可以确定函数表达式． 研究相关关系则必须对变量进行多次观测，借助统计的相关思想和方法．例如，有人认为人的体重y和身高x之间具有近似的二次函数关系，由三个人的身高和体重数据，确定出y和x之间的表达式．这样得到的结果很不可靠，难以使人信服． 2．散点图—描述相关关系的直观工具 由于相关关系的不确定性，寻找变量X和Y之间的相关关系时，首先要对变量进行观测．设n次观测值为．在直角坐标系中，横轴代表变量X，纵轴代表变量Y，将观测数据用坐标点的形式描绘出来，得到的图形称为散点图．散点图是研究相关关系的直观工具，可以定性的判断相关的方向和程度． ?? ??如果散点大致分布在一条直线附近，又不完全在一条直线上，说明变量间具有线性相关关系；如果这些点大致分布在一条曲线附近，说明变量间具有非线性相关关系；如果这些点的分布几乎没有什么规则，说明两个变量间没有相关关系．对于线性相关，如果散点从左下角到右上角沿直线分布，那么两个变量正相关，如果散点从左上角到右下角沿直线分布，两个变量负相关．如果散点在整体上和某一直线越接近，表明变量间相关关系越强． 3．数据分析方法—相关分析与回归分析 对变量间相关关系，在定性分析的基础上，需要进行定量分析．定量分析有相关分析和回归分析两种方法．相关分析是用一个指标（称为相关系数）来反映变量间相关关系的密切程度（见人教A版必修3P85，阅读与思考）．回归分析就是根据相关关系的具体形态，选择一个合适的数学模型，来近似表达变量间的平均变化关系．相关分析和回归分析具有共同的研究对象，在具体应用时，需要互相补充．作相关分析需要依靠回归分析表明变量相关的具体形式，而进行回归分析需要通过相关分析表明变量间的相关程度，只有变量间存在高度相关时，由回归分析得到的变量间的具体形式才有意义． 相关分析研究变量间的相关的方向和相关程度，它不提供相互关系的具体形式，也无法从一个变量的变化来推测另一个变量的变化情况．相关分析不必确定哪个变量是自变量，哪个是因变量，所涉及的两个变量可以都是随机变量．回归分析根据观测数据，确定一个数学方程式（回归方程），根据这个方程式可以由已知量推测未知量，为估算和预测提供一个重要方法．回归分析必须事先确定具有相关关系的变量中哪个为自变量，哪个为因变量．一般地说，自变量是普通变量（人为可以控制其取值），因变量是随机变量． 4．最小二乘思想—统计学基础的重要部分 当两个变量之间存在相关关系时，由于不确定性，如果只有很少几组变量观测值，很难估计误差的大小．法国法数学家勒让德（Le Gendre，1752—1833）在根据测量数据预测彗星轨道的问题时，发现了如何有效利用全部测量数据的方法．即通过计算得出一组数值，在使数据组的偏差达到最小的意义下，这些数值是最优的．由勒让德的方法得出的数值充分利用了所有数据信息，这个方法现在叫做最小二乘法． 人们立即认识到勒让德发现的价值，运用最小二乘法的数学并不难，所以绝大多数从事测量的科学家，都能从这一方法中受益，他们可以充分利用数据．当时最小二乘思想在科学界迅速流传． 1809年，德国数学家高斯（Gauss，1777—1855年）在一篇论文中，分析了如何充分利用一系列测量数据来预测天体轨道的问题，在文章中也叙