3.1.1--回归的基本思想及其初步应用案例.ppt

郑平正 制作 3.分析方程回归效果的常用方法 假设 1:身高和随机误差的不同不会对体重产生任何影响， 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 54.5kg 探究3：在线性回归模型中，e是用bx+a预报真实值y的随机误差，它是一个不可观测的量，那么怎样研究随机误差呢？ 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。 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 假设2:随机误差对体重没有影响，也就是说，体重仅受身高的影响，那么散点图 中所有的点将完全落在回归直线上。 怎样研究随机误差？ 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 称为残差平方和，它代表了随机误差的效应。 表示为： * * * 称为样本点的中心 郑平正 制作 3.1回归分析的基本思想及其初步应用（一） 高二数学 选修2-3 求回归方程的关键是如何用数学的方法来刻画 “从整体上看各点与此直线的距离和最小” . 选 变 量 画散点图 选 模 型(线性) 估计参数(a,b) 分析和预测 建立回归模型的基本步骤 通过散点图,可直观地分析和了解两个变量是否存在相关关系,以确定回归模型． 通过分析相关指数、随机误差（残差图），评价模型的好坏，进行预报． 这也就是回归分析的基本思想． 最小二乘法估计公式: 探究1：你能推导出着两个计算公式吗？(推导思路见下一片；推导过程见课本) 回归直线一定过样本点的中心！ 对于一组具有线性相关关系的数据: (x1,y1), (x2,y2), …, (xn,yn), 我们知道其回归直线y=bx+a的斜率和截距的最小二乘估计分别为： (xi,yi ) (xi,yi ) 后两项与α,β无关 前两项均为正且与α,β有关 此项为0,Q有最小值. 2008年5月，中共中央国务院关于加强青少年体育、增强青少年体质的意见指出城市超重和肥胖青少年的比例明显增加. “身高标准体重”该指标对于学生形成正确的身体形态观具有非常直观的教育作用. “身高标准体重”从何而来？我们怎样去研究? 1.创设情境： 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. 问题呈现：女大学生的身高与体重 分析：1、选取身高为自变量x，体重为因变量y，作散点图： 2、由散点图可以看出，样本点呈现条状分布，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. 解：1.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． 3.用公式求出回归方程： 2. 画散点图； 本例中, 可求得r=0.7980.75．这表明体重与身高有很强的线性相关关系，从而也表明我们建立的回归模型是有意义的. 身高172cm女大学生可以预报其体重为: 所以回归方程为: 对回归模型进行统计检验 探究2：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接近于60.316kg.