回归分析(二)wxs.pptVIP

郑平正 制作 比《数学3》中“回归”增加的内容 数学３——统计 画散点图 了解最小二乘法的思想 求回归直线方程 y＝bx＋a 用回归直线方程解决应用问题 选修１-２——统计案例 引入线性回归模型 y＝bx＋a＋e 了解模型中随机误差项e产生的原因 了解相关指数 R2 和模型拟合的效果之间的关系 了解残差图的作用 利用线性回归模型解决一类非线性回归问题 正确理解分析方法与结果 三个平方和的意义 离差平方和的分解 （三个平方和的意义） 总偏差平方和(SST) 反映因变量的 n 个观察值与其均值的总离差 回归平方和(SSR) 反映自变量 x 的变化对因变量 y 取值变化的影响，或者说，是由于 x 与 y 之间的线性关系引起的 y 的取值变化，也称为可解释的平方和 残差平方和(SSE) 反映除 x 以外的其他因素对 y 取值的影响，也称为不可解释的平方和或剩余平方和 样本决定系数 （判定系数 r2 ） 回归平方和占总离差平方和的比例 * * * * * 3.1回归分析的基本思想及其初步应用（二） 高二数学 选修2-3 整体的线性回归直线方程记为： 现实中体重与身高的关系为： 样本的线性回归直线方程记为： 和 为截距和斜率的估计值，它们与真实值a和b之间存在误差是引起预报值 与真实值y之间的误差的另一个原因. 随机误差e是引起预报值 与真实值y之间误差的原因之一，随机误差的方差越小，预报的精度越高. 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为随机变量，称为随机误差. 其中：均值E(e)=0，方差D(e)=σ20 线性回归模型的完整表达式为： 线性回归模型适用范围比一次函数的适用范围大得多.当随机误差e恒等于0时，线性回归模型就变成一次函数模型.即：一次函数模型是线性回归模型的特殊形式，线性回归模型是一次函数模型的一般形式. 四、线性回归模型 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。 思考: 产生随机误差项e的原因是什么？ 随机误差e的来源(可以推广到一般）： 1、用线性回归模型近似真实模型所引起的误差； 2、忽略了其它因素的影响：影响身高 y 的因素不只是体重 x，可能还包括遗传基因、饮食习惯、生长环境等因素； 3、身高 y 的观测误差。 以上三项误差越小，则回归模型的拟合效果越好. 随机误差e的主要来源： （1）用线性回归模型近似真实模型（真实模型是客观存在的，但我们并不知道到底是什么）所引起的误差.可能存在非线性的函数能更好的描述y与x之间的关系，但我们现在却用线性函数来表述这种关系，结果就产生误差，这种由于模型近似所引起的误差包含在e中. （2）忽略了某些因素的影响.影响变量y的因素不止变量x一个，可能还有其他因素，但通常它们每一个因素的影响可能都比较小，它们的影响都体现在e中. （3）观测误差.由于测量工具等原因，得到的y的观测值一般是有误差的，这样的误差也包含在e中. 以上三项误差越小，则回归模型的拟合效果越好. 随机误差 e的估计量 样本点： 相应的随机误差为： 随机误差的估计值为： 称为相应于点 的残差. 的估计量 为 称为残差平方和. 在线性回归模型中，e是用 预报真实值y的误差，它是一个不可观测的量，那么该怎样研究随机误差，如何衡量预报的精度？ 由于随机误差e的均值为0，故采用方差 来衡量随机误差的大小. 残差 与残差平方和 的作用： 1.用 衡量回归直线的预报精确值， 即用 衡量回归直线的预报精确值： 越小，预报精度越高，反之越底； 2.利用残差来分析可疑数据（残差分析）； 在研究两个变量间的关系时，首先要根据散点图来粗略判断它们是否是线性相关，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.这方面的分析工作称为残差分析. 五、残差分析 0.382 -2.883 6.627 1.137 -4.618 2.419 2.627 -6.373 残差 59 43 61 64 54 50 57 48 体重/kg 170 155 165 175 170 157 165 165 身高/cm 8 7 6 5 4 3 2 1 编号 下表为女大学生身高和体重的原始数据以及相应的残差数据： ? e 以纵坐标为残差，横坐标为编