安徽省滁州二中高中数学 回归分析的基本思想及其初步应用课件 新人教A版选修1-2.pptVIP

* * * * * * * * * * * * 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。 * 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 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、最小二乘法估计 最小二乘法估计下的线性回归方程： * * * * * * * * * 如何描述两个变量之间线性相关关系的强弱？ 在《数学3》中，我们学习了用相关系数r来衡量两个变量 之间线性相关关系的方法。 相关系数r * 相关关系的测度（相关系数取值及其意义） -1.0 +1.0 0 -0.5 +0.5 完全负相关 无线性相关 完全正相关 负相关程度增加 r 正相关程度增加 * 对回归模型进行统计检验 * 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 * 思考P5： 预报变量（体重）的变化在多大程度上与解释变量（身高） 有关？在多大程度上与随机误差有关？ 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）的值受解释变量（身高）或随机误差的影响。 54.5kg * 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。解释变量（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是解释变量和随机误差的组合效应。 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 解释变量（身高）？有多少来自于随机误差？ * 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， 用数学符号表示为： 称为残差平方和， 它代表了随机误差的效应。 * 由于解释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，所以解释变量的效应为 解释变量和随机误差的总效应（总偏差平方和） =解释变量的效应（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 * 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表示解释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 解释变量和预报变量的线性相关性越强）。 如果某组数据可能采取几种不同回归方程进行回归分析， 则可以通过比较R2的值来做出选择，即选取R2较大的模型 作为这组数据的模型。 总的来说： 相关指数R2是度量模