3.1回归分析的基本思想及其初步应用 课件（人教A版选修2-3）.ppt

为了研究某种细菌随时间x变化时，繁殖个数y的变化，收集数据如下： 【变式3】 天数x/天 1 2 3 4 5 6 繁殖个数y/个 6 12 25 49 95 190 (1)用天数x作解释变量，繁殖个数y作预报变量，作出这些数据的散点图； (2)描述解释变量x与预报变量y之间的关系； (3)计算相关指数． 解　(1)所作散点图如图所示． (2)由散点图看出样本点分布在一条指数函数y＝c1ec2x的周围，于是令z＝ln y，则有变换后的样本点应分布在直线z＝bx＋a，(a＝ln c1，b＝c2)的周围，这样就可以利用线性回归模型来建立y与x之间的非线性回归方程了，数据可以转化为： x 1 2 3 4 5 6 z 1.79 2.48 3.22 3.89 4.55 5.25 6.08 12.12 24.17 48.18 96.06 191.52 yi 6 12 25 49 95 190 关于x与y有如下数据 误区警示　对相关指数R2理解不当致误 【示例】 x 2 4 5 6 8 y 30 40 60 50 70 用相关指数R2来比较模型的拟合效果，R2越大，模型的拟合效果越好，并不是R2越小拟合效果更好． 单击此处进入 活页规范训练 课前探究学习 课堂讲练互动 活页规范训练 【课标要求】 3.1　回归分析的基本思想及其初步应用 了解随机误差、残差、残差分析的概念； 会用残差分析判断线性回归模型的拟合效果； 掌握建立回归模型的步骤； 通过对典型案例的探究，了解回归分析的基本思想方法和初步应用． 1． 2． 3． 4． 利用散点图分析两个变量是否存在相关关系，求线性回归方程．(重点) 回归模型的选择，特别是非线性回归模型．(难点、易错点)  【核心扫描】 1． 2． 回归分析 回归分析是对具有_________的两个变量进行统计分析的一种常用方法． 线性回归模型 (1)由散点图易发现，样本点散布在某一条直线附近，而不是一条直线上，不能用一次函数y＝bx＋a描述它们之间的关系，因此用线性回归模型y＝bx＋a＋e来表示，其中a、b为未知参数，e为_________ ． 自学导引 1． 2． 相关关系 随机误差 (2)对参数a和b的估计，由《数学必修3》可知：最小二乘法估计 和 就是未知参数a、b的最好估计，其计算公式为 (3)解释变量和预报变量 线性回归模型与一次函数模型的不同之处是增加了随机误差项e，因变量y由_________和__________共同确定，即自变量x只解释部分y的变化，在统计中，我们也把自变量x称为解释变量，因变量y称为预报变量． 试一试：下表是x和y之间的一组数据，则y关于x的线性回归方程必过 (　　). 自变量x 随机误差e x 1 2 3 4 y 1 3 5 7 A．点(2,3) B．点(1.5,4) C．点(2.5,4) D．点(2.5,5) 刻画回归效果的方式 3． 残差 残差图 利用图形来分析残差特性，作图时纵坐标为_____，横坐标可以选为_________，或_________，或___________等，这样作出的图形称为残差图 残差图法 残差点比较均匀地落在水平的带状区域内，说明选用的模型比较适合，这样的带状区域的宽度越窄，说明模型拟合精度越高 样本编号 身高数据 残差 体重估计值 残差平方和 残差平方和为__________，残差平方和_____，模型拟合效果越好 相关指数R2 越小 解释 预报 想一想：回归分析中，利用线性回归方程求出的函数值一定是真实值吗？为什么？ 提示　不一定是真实值，利用线性回归方程求的值，在很多时候是个预报值，例如，人的体重与身高存在一定的线性关系，但体重除了受身高的影响外，还受其他因素的影响，如饮食，是否喜欢运动等． 非线性回归分析 (1)非线性相关关系：样本点分布在某一条曲线的周围，而不是一条直线附近．我们就称这两个变量之间不具有线性相关关系而是非线性相关关系． (2)非线性回归方程线性化 ①y＝axn(其中a，x，y均为正值)(幂函数型函数) lg y＝lg a＋n lg x，令u＝lg y，v＝lg x，b＝lg a， 则u＝nv＋b，图象为一直线． ②y＝cax(a＞0，c＞0)(指数型函数) lg y＝x lg a＋lg c，令u＝lg y，b＝lg c，d＝lg a， 则u＝dx＋b，图象为一直线． 4． 线性回归方程 (1)在分析两个变量的相关关系时，可根据样本数据散点图确定两个变量之间是否存在相关关系，然后利用最小二乘法求出回归直