表示解释变量(X)和.pptVIP

* 表示解释变量（x）和 随机误差（e）的 总效应。 :表示随机误差的效应. (列表法) 练:某种产品的广告费支出x与销售额y之间有如表所示数据: 70 50 60 40 30 加工时间y(分钟) 8 6 5 4 2 零件数X (1)求x,y之间的相关系数; (2)求线性回归方程; (3)求总偏差平方和及残差平方和; (4)求R2,说明模型的拟合效果,残差变量对销售额的影响百分比. 我们可以用相关指数R2来刻画回归的效果，其计算公式是 显然，R2的值越大，说明残差平方和越小，也就是说模型拟合效果越好。 在线性回归模型中，R2表示解析变量对预报变量变化的贡献率。 R2越接近1，表示回归的效果越好（因为R2越接近1，表示解析变量和预报变量的 线性相关性越强）。 如果某组数据可能采取几种不同回归方程进行回归分析，则可以通过比较R2的值 来做出选择，即选取R2较大的模型作为这组数据的模型。 总的来说： 相关指数R2是度量模型拟合效果的一种指标。 在线性模型中，它代表自变量刻画预报变量的能力。 我们可以用相关指数R2来刻画回归的效果，其计算公式是 1 354 总计 0.36 128.361 残差变量 0.64 225.639 随机误差 比例 平方和 来源 表1-3 从表3-1中可以看出，解析变量对总效应约贡献了64%，即R2 0.64，可以叙述为 “身高解析了64%的体重变化”，而随机误差贡献了剩余的36%。 所以，身高对体重的效应比随机误差的效应大得多。 8 7 6 5 4 3 2 1 编号 59 43 61 64 54 50 57 48 体重y 170 155 165 175 170 157 165 165 身高x 残差分析 8 7 6 5 4 3 2 1 编号 59 43 61 64 54 50 57 48 体重y 170 155 165 175 170 157 165 165 身高x 54.373 54.373 47.581 58.618 62.863 54.373 45.883 58.618 -6.373 2.627 2.419 -4.618 1.137 6.627 -2.883 0.382 8 7 6 5 4 3 2 1 编号 -6.373 2.627 2.419 -4.618 1.137 6.627 -2.883 0.382 我们利用图形来分析残差特性，作图时纵坐标为残差，横坐 标可以选为样本编号、身高等，这样作出的图形叫做残差图 可以看出第1个样本点和第6样本点的残差比较大， 残差图的制作及作用。 坐标纵轴为残差变量，横轴可以有不同的选择； 若模型选择的正确，残差图中的点应该分布在以横轴为心的带形区域； 对于远离横轴的点，要特别注意。 身高与体重残差图 异常点 错误数据 模型问题 几点说明： 第一个样本点和第6个样本点的残差比较大，需要确认在采集过程中是否有人为的错误。如果数据采集有错误，就予以纠正，然后再重新利用线性回归模型拟合数据；如果数据采集没有错误，则需要寻找其他的原因。 另外，残差点比较均匀地落在水平的带状区域中，说明选用的模型计较合适，这样的带状区域的宽度越窄，说明模型拟合精度越高，回归方程的预报精度越高。 函数模型与回归模型之间的差别 回归方程： 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只能解析部分y的变化。 在统计中，我们也把自变量x称为解析（释）变量，因变量y称为预报变量。 一般地，建立回归模型的基本步骤为： （1）确定研究对象，明确哪个变量是解析变量，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。 温度xoC 21 23 25 27 29 32 35 产卵数y/个 7 11 21 24 66 115 325 例2、现收集了一只红铃虫的产卵数y和温度x之间的7组观测数据列于下表： （1）试建立产卵数y与温度x之间的回归方程；并预测温度为28oC时产卵数目。 （2）你所建立的模型中温度在多大程度上解释了产卵数的变化？ 问题呈现： 教法学法 教材分析 教学设计 评价分析 选变量 解：选取气