回归分析的基本思想及其初步应用第二课时.ppt

高二数学 选修1-2 1.1回归分析的基本思想及其初步应用 第二课时 相关系数 1.计算公式 2．相关系数的性质 (1)|r|≤1． (2)|r|越接近于1，相关程度越大；|r|越接近于0，相关程度越小． 问题：达到怎样程度，x、y线性相关呢？它们的相关程度怎样呢？ 郑平正 制作 郑平正 制作 郑平正 制作 郑平正 制作 * * 求、验、用 函数模型与回归模型之间的差别 函数模型： 回归模型： 线性回归模型y=bx+a+e增加了随机误差项e，因变量y的值由自变量x和 随机误差项e共同确定，即自变量x只能解释部分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。 所以，对于身高为172cm的女大学生，由回归方程可以预报其体重为 一般地，建立回归模型的基本步骤为： （1）确定研究对象，明确哪个变量是解释变量，哪个变量是预报变量。 （2）画出确定好的解析变量和预报变量的散点图，观察它们之间的关系 （如是否存在线性关系等）。 （3）由经验确定回归方程的类型（如我们观察到数据呈线性关系，则选用线性回归方程y=bx+a）. （4）按一定规则估计回归方程中的参数（如最小二乘法）。 （5）得出结果后分析残差图是否有异常（个别数据对应残差过大，或残差呈现不随机的规律性，等等），过存在异常，则检查数据是否有误，或模型是否合适等。 用身高预报体重时，需要注意下列问题： 1、回归方程只适用于我们所研究的样本的总体； 2、我们所建立的回归方程一般都有时间性； 3、样本采集的范围会影响回归方程的适用范围； 4、不能期望回归方程得到的预报值就是预报变量的精确值。 事实上，它是预报变量的可能取值的平均值。 ——这些问题也使用于其他问题。 涉及到统计的一些思想： 模型适用的总体； 模型的时间性； 样本的取值范围对模型的影响； 模型预报结果的正确理解。 如课本85页 最小二乘法： 称为样本点的中心。高考调研例1（1） 回归直线过样本点的中心 例2：一只红铃虫的产卵数y与温度x有关,现收集了7组观测数据,试建立y与x之间的回归方程 解:1)作散点图; 从散点图中可以看出产卵数和温度之间的关系并不能用线性回归模型来很好地近似。这些散点更像是集中在一条指数曲线或二次曲线的附近。 解: 令 则z=bx+a,(a=lnc1,b=c2),列出变换后数据表并画 出x与z 的散点图 x和z之间的关系可以用线性回归模型来拟合 5.784 4.745 4.19 3.178 3.045 2.398 1.946 z 35 32 29 27 25 23 21 x 2) 用 y=c3x2+c4 模型,令 ,则y=c3t+c4 ,列出变换后数据表并画出t与y 的散点图 散点并不集中在一条直线的附近，因此用线性回归模型拟合他们的效果不是最好的。 325 115 66 24 21 11 7 y 1225 1024 841 729 625 529 441 t 77.965 -58.268 -40.107 -41.003 -5.835 19.397 47.7 e(2) 32.928 -14.153 8.889 -9.149 1.76 -0.167 0.52 e(1) 325 115 66 24 21 11 7 y 35 32 29 27 25 23 21 x 7 6 5 4 3 2 1 编号 表 差 残 非线性回归方程 二次回归方程 残差公式 在此处可以引导学生体会应用统计方法解决实际问题需要注意的问题：对于同样的数据，有不同的统计方法进行分析，我们要用最有效的方法分析数据。 现在有三个不同的回归模型可供选择来拟合红铃虫的产卵数与温度数据，他们分别是： 可以利用直观（散点图和残差图）、相关指数来确定哪一个模型的拟合效果更好。 负相关 正相关 相关系数 ｒ＞０正相关；ｒ＜０负相关．通常， r∈[-1,-0.75]--负相关很强; r∈[0.75,1]—正相关很强; r∈[-0.75,-0.3]--负相关一般; r∈[0.3, 0.75]—正相关一般; r∈[-0.25, 0.25]--相关性较弱; 思考： 如何刻画预报变量（体重）的变化？这个变化在多大程度上 与解释变量（身高）有关？在多大程度上与随机误差有关？ 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