选修1-2回归分析。上课.ppt

变量间的相关关系;知识回顾;两个变量之间的相关关系;相关关系—当自变量取值一定,因变量的 取值带有一定的随机性（ 非确定性关系) 函数关系---函数关系指的是自变量和因变量之间的关系是相互唯一确定的.;下列两变量中具有相关关系的是（ ） A角度和它的余弦值 B正方形的边长和面积 C成人的身高和视力 D 身高和体重;散点图;;(1) 画出散点图; (2) 求线形回归方程; (3) 如果某天的气温是 -3OC , 请预测这天小卖部可能会买出热茶多少杯.;从散点图可以看出两个变量是线性相关的.;列表;; 某种产品的广告费支出x与销售额y(单位:百万元)之间有如下对应数据:;小 结;2.回归方程被样本数据惟一确定，各样本点大致分布在回归直线附近.对同一个总体，不同的样本数据对应不同的回归直线，所以回归直线也具有随机性. ;第一章　统计案例; ; ;新课讲授;解: (1) 作出散点图;解: (2) 求出线性回归方程;解: (3)利用线性回归方程进行预报;解: (1) 作出散点图;　　2、线性回归模型与一次函数模型的不同 ;列表;列表;列表;　　3、随机误差e 产生的原因;思考：在总效应(总偏差平方和)中有多少来自解释变量，有多少来自随机变量呢？; 在研究两个变量间的关系时，首先要根 据散点图来粗略的判断他们是否线性相关， 是否可以用线性回归模型来拟合数据，然后 可以通过残差 来判断模型拟合的效果，判断原始数据中是否存在可疑数据，把这个工作称为残差分析.; 残差分析是回归诊断的一种方法. 最简单的残差分析是通过观测残差图，以发现观测数据中可能出现的错误以及所选用的回归模型是否恰当.;利用残差图进行残差分析的具体步骤:; 寻找异常点，就是残差特别大的点，考察相应的样本数据是否有错； (2) 分析残差图可以发现模型选择是否适合.;例如：下表给出了女大学生身高和体重的原始数据以及相应的残差数据;;预报时需要注意的问题:;建立回归模型的基本步骤：;新课讲授;0;;思考：我们用什么来刻画回归的效果呢？;来 源;分析：既可分别求出两种模型下的总偏差平方和、残差平方和、回归平方和，也可分别求出两种模型下的相关指数，然后???进行比较，从而得出结论.;例如：下表给出了女大学生身高和体重的原始数据以及相应的残差数据;;小结;①注意 、 、 的区别； ②预报变量的变化程度可以分解为由解释变量引起的变化程度与残差变量的变化程度之和，即 ③当总偏差平方和相对固定时，残差平方和越小，则回归平方和越大，此时模型的拟合效果越好； ④对于多个不同的模型，我们还可以引入相关指数 来刻画回归的效果，它表示解释变量对预报变量变化的贡献率. 的值越大，说明残差平方和越小，也就是说模型拟合的效果越好.