《3.1回归分析的基本思想及其初步应用》课件4.pptVIP

* * * * * * * * * * * * * * * * 问题1：正方形的面积y与正方形的边长x之间 的函数关系是 y = x2 确定性关系 问题2：某水田水稻产量y与施肥量x之间是否 有一个确定性的关系？ 例如：在 7 块并排、形状大小相同的试验田上 进行施肥量对水稻产量影响的试验，得 到如下所示的一组数据： 施化肥量x 15 20 25 30 35 40 45 水稻产量y 330 345 365 405 445 450 455 复习、变量之间的两种关系 10 20 30 40 50 500 450 400 350 300 · · · · · · · 施化肥量x 15 20 25 30 35 40 45 水稻产量y 330 345 365 405 445 450 455 x y 施化肥量 水稻产量 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叫做相关关系. 1、定义： 1)：相关关系是一种不确定性关系； 注 对具有相关关系的两个变量进行统计分析的方法叫回归分析. 2)： 2、现实生活中存在着大量的相关关系. 如：人的身高与年龄； 产品的成本与生产数量； 商品的销售额与广告费； 家庭的支出与收入.等等 探索：水稻产量y与施肥量x之间大致有何规律？ 10 20 30 40 50 500 450 400 350 300 · · · · · · · 发现：图中各点，大致分布在某条直线附近. 探索2：在这些点附近可画直线不止一条，哪条直线最能代表x与y之间的关系呢？ 施化肥量x 15 20 25 30 35 40 45 水稻产量y 330 345 365 405 445 450 455 x y 散点图 施化肥量 水稻产量 10 20 30 40 50 500 450 400 350 300 · · · · · · · x y 施化肥量 水稻产量 1、所求直线方程叫做回归直线方程； 相应的直线叫做回归直线. 2、对两个变量进行的线性分析叫做线性回归分析. 2、回归直线方程： 最小二乘法： 称为样本点的中心. 例题1 从某大学中随机选出8名女大学生，其身高和体重数据如下表： 编号 1 2 3 4 5 6 7 8 身高 165 165 157 170 175 165 155 170 体重 48 57 50 54 64 61 43 59 求根据一名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.　 1. 散点图； 2.回归方程： 3.通过探究栏目引入“线性回归模型”.此处可以引导学生们体会函数模型与回归模型之间的差别. 分析：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，体重为因变量． 相关系数 r＞0正相关；r＜0负相关．通常，r0.75，认为两个变量有很强的相关性． 本例中，由上面公式r=0.7980.75． 探究？ 身高为172cm的女大学生的体重一定是60.316kg吗？如果不是，其原因是什么？ (1)由图形观察可以看出，样本点呈条状分布，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. (2)从散点图还可以看到，样本点散布在某一条直线的附近，而不是一条直线上，所以不能用一次函数y＝bx＋a来描述它们之间的关系.这时我们用下面的线性回归模型来描述身高和体重的关系：y＝bx＋a+e其中a和b为模型的未知参数，e是y与 之间的误差，通常e 称为随机误差. 线性回归模型 y＝bx＋a+e y＝bx＋a+e其中a和b为模型的未知参数，e是y与 之间的误差，通常e称为随机误差. 思考？ 产生随机误差e的原因是什么？p96 探究？ 为了衡量预报的精度，需要估计的σ2值？ (1)根据散点图来粗略判断它们是否线性相关. (2)是否可以用线性回归模型来拟合数据