选修1-2,回归分析课件.ppt

必修3回顾 * 统计的步骤 确定对象 收集数据 数据分析 抽样方法 简单随机抽样 系统抽样 分层抽样 直方图 统计图表 条形图 折线图 茎叶图 用样本估计总体 用样本频率分布估计总体分布 用样本的数字特征估计总体的数字特征 两 个 变 量 的 关 系 相关关系 函数关系 线性相关 非线性相关 现实生活中两个变量间的关系有哪些呢？ 对于具有相关关系的两个变量用什么方法来研究呢？ 回归分析 回归分析的基本步骤： 画散点图 求回归方程 预报、决策 对具有线性相关的两个变量，我们可以用最小二乘法来求它的线性回归方程： 怎样描述两个变量之间的线性相关关系的强弱？ 答：用相关系数r来衡量。 说明：①r0(两个变量）正相关，r0 负相关； ②︱r︱接近1表明相关性强，︱r︱接近0表明 两变量几乎不相关； ③ ︱r︱0.75时表示有很强的相关关系。 用下面的线性回归模型：y=bx+a+e 解释更客观。 e表示随机误差; a、b是模型的未知参数。 解释变量x 随机误差e 预报变量y 就例1而言，随机误差项e产生的原因是什么？ 用线性回归方程y=bx+a进行回归分析会有误差吗？怎样体现误差产生的影响？ 如：一位女大学生若其体重不受身高、随机误差的影响其体重应为54.5（平均值）公斤，但她的实际体重为61公斤，这说明什么？ 说明体重受到身高、随机误差的双重影响， 这时解释变量和随机误差的组合效应是-6.5。 问题：如何刻画预报变量（体重）在多大程度上与解释变量（身高）、随机误差有关？ 我们把每个“观测值减去总平均值的平方和”称 －－总偏差平方和 它刻画了：解释变量、随机误差的效应总和 总偏差平方和＝ 如例1中的总偏差平方和为354 残差平方和－－－－刻划随机误差效应 残差平方和＝ 残差＝ 问题： 那么“总偏差平方和”中又有多少来自于 随机误差？ 观测值和它在回归直线上相应位置的差异叫： 回归平方和－－－－反映解释变量的效应 回归平方和 残差平方和 总偏差平方和 例1的解释变量的效应为354－128.361＝225.639 用什么来刻划回归的效果？ 用相关指数R2 作用：R2越大－－残差平方和越小－－模型的拟合效果越好！反之相反。 1.00 354 （总偏差平方和） 总偏差 0.36 128.361 （残差平方和） 随机误差 0.64 225.639 （回归平方和） 解释变量 比例 平方和 来源 怎样判断模型的拟合效果？－－－用残差判断 判断原始数据中是否存在可疑数据－－残差分析 进行残差分析的手段有哪些？ 1.表格分析；2.画残差图 用身高预报体重时须注意下面问题： 1.适用范围；2.适用时间；3.样本选取影响方程适用范围；4：预报值是预报变量可能值的平均值 建立回归方程的步骤： 确立研究对象 画散点图 由经验确定回归方程类型 按规律估计a、b 分析残差图是否异常 *