回归方程求法探索教学设计及反思.doc

PAGE  PAGE 4 “回归方程”求法探索教学设计及反思 武汉市关山中学 430074 张璟怡 普通高中课程标准《数学》必修3、选修1-2、选修2-3都涉及到“”回归方程”问题。 一、对求线性回归方程方法的探究 1、利用最小二乘法的求线性回归方程的假定和前提 假定：目前在使用最小二乘法求回归方程的问题中，一般假定随机误差集中于在变量y上，而认为变量x的是无误差的。然而当变量x和变量y都有误差的情况下，且不能将其中之一忽略时，用最小二乘法求取得的回归方程精度较低。 前提：最小二乘法的原理是使残差平方和为最小。假设各个的随机误差为要使残差平方和最小的前提（1）即随机误差的数学期望为0，（2）随机误差的方差为常数，（3）互不相关，（4）服从正态分布。虽然偏离正态分布这一前提并不影响正确求取回归方程中的截距和斜率，但会对假设检验和置信区间的估计产生很大影响。如果不注意上述前提，滥用最小二乘法，在某些情况下不仅不能提高、反而可能降低回归方程精度。 2、最小二乘法求线性回归方程的推导方法 （1）选修2-3给出一种推导方法这里不再敖述。 （2）利用解求导解决。设残差平方和，要使Q最小，上式两边对a求导得：①，上式两边对b求导得：②。由①②消去a，可得，。 （3）利用一元二次函数求解。设残差平方和，即将残差平方和看作的二元二次函数，其中a,b是两个待定参数，其余均为已知数，也可以将残差平方和看作或的一元二次函数，当a为自变量时，上式可整理为，要使最小，即自变量a落在一元二次函数的对称轴上，故得：，即③；当b为自变量时，上式可整理为，要使最小，即自变量b落在一元二次函数的对称轴上，故得：，即④。因此当③④同时成立时，和同时取得最小。即可整理得到，。 3、其他线性回归方程求法简介。 （1）残差绝对值之和最小准则下线性回归方程的求法。 假定：随机误差集中于在变量y上，而认为变量x的是无误差的。 原理：使残差绝对值之和为最小。 求法：作图或线性规划等方法。 与最小二乘法求回归方程比较：最小二乘法求回归方程时可求得唯一的a,b的显式表达,它们即为所求的回归系数；残差绝对值之和最小准则下回归方程时求解上比较困难, 有时会出现多个解,并且缺乏显式表达。 （2）面积最小准则下线性回归方程的求法 假定：当变量x和变量y都有误差。 原理：设为y的实测值与理论值之差，为x的实测值与理论值之差，使为最小 与最小二乘法求回归方程比较：最小二乘法求回归方程时我们发现对x，y分别作为自变量，所得到的回归直线不一致.。面积最小准则下回归方程可以解决上述问题，但其斜率的符号要由散点在直线的上下方位置决定.在实际操作上有一定的困难，不够方便。 （3）最小距离准则下线性回归方程的求法 假定：当变量x和变量y都有误差。 原理：各观测点到直线垂直距离最小，即使最小 求法：戴明解法。 与最小二乘法求回归方程比较：最小二乘法由观测点到直线的纵坐标距离的平方和最小，而最小距离准则下回归方程兼顾了两个方向的误差，但在一些文献中已经证明了与最小二乘法比较最小距离准则下估计所确定的拟合值与的偏差大,且相对的离散程度也大.因此,最小二乘法优于最小距离准则.也进一步说明了“从整体上看各散点与直线距离最小”往往只需考虑纵方向的距离。 二、非线性回归问题线性化适用性 当我们遇到下面非线性回归时，我们通常是先将其线性化，在根据最小二乘法求解。值得注意的是，这里在直接运用变换求解时，并没有考虑到曲线本身的特点。用这种线性化变换后，求出的估计参数是否与变换前参数估计值？可线性化的非线性回归模型分为两种情况：一是变量替换不涉及回归系数，即回归系数不发生变化，如下表中双曲线模型、对数曲线模型、一元二次曲线模型，转换前后关于回归系数均是线性的，并且形式没有变化，其解也是不变的。二是涉及回归系数变化的非线性回归模型，如上指数函数曲线模型、幂函数曲线模型。非线性回归模型虽被转化为线性回归模型，但是前后模型的回归系数形式有变化，用此方法求出的回归系数也是有误差的。其计算的模型参数估计是非常不准确的，此时我们就要运用非线性回归方法来做，最好的选择就是高斯-牛顿迭代法。 曲线类型曲线方程变换公式变换后的线性方程一元二次函数曲线反比例函数曲线指数性函数曲线两边取对数令对数性函数曲线幂函数型曲线两边取对数 令教学反思：这一课题的提出源于学生在学??必修3回归方程推导过程是对为什么用表示点到直线的整体距离优于的思考。让我们感受到的确有必要向学生介绍清楚回归方程的求法不止一种。最小二乘法只是其中的一种。在让学生经历各种回归方程求法的过程中感受到在统计中，重要的是寻找好的方法，之所以用最小二乘法是因为这样的估计量在许多标准下是“好”的。