第三章 1.3可线性化的回归分析.doc

1.3　可线性化的回归分析 [学习目标] 1．进一步体会回归分析的基本思想． 2．通过非线性回归分析，判断几种不同模型的拟合程度． [知识链接] 1．有些变量间的关系并不是线性相关，怎样确定回归模型？ 答　首先要作出散点图，如果散点图中的样本点并没有分布在某个带状区域内，则两个变量不呈现线性相关关系，不能直接利用线性回归方程来建立两个变量之间的关系，这时可以根据已有函数知识，观察样本点是否呈指数函数关系或二次函数关系，选定适当的回归模型． 2．如果两个变量呈现非线性相关关系，怎样求出回归方程？ 答　可以通过对解释变量进行变换，如对数变换或平方变换，先得到另外两个变量间的回归方程，再得到所求两个变量的回归方程． [预习导引] 1．非线性回归分析 对不具有线性相关关系的两个变量做统计分析，通过变量代换，转化为线性回归模型． 2．非线性回归方程 曲线方程 曲线图形 公式变换 变换后的线性函数 y＝axb c＝ln a v＝ln x u＝ln y u＝c＋bv y＝aebx c＝ln a u＝ln y u＝c＋bx y＝ae c＝ln a v＝ u＝ln y u＝c＋bv y＝a＋b ln x v＝ln x u＝y u＝a＋bv 要点一　线性回归分析 例1　某产品的广告费用x与销售额y的统计数据如下表： 广告费用x(万元) 4 2 3 5 销售额y(万元) 49 26 39 54 (1)由数据易知y与x具有线性相关关系，若b＝9.4，求线性回归方程y＝a＋bx； (2)据此模型预报广告费用为4万元时的销售额． 解　(1)＝＝3.5，＝＝42， ∴a＝－b ＝42－9.4×3.5＝9.1 ∴回归直线方程为y＝9.1＋9.4x. (2)当x＝4时，y＝9.1＋9.4×4＝46.7， 故广告费用为6万元时销售额为46.7万元． 跟踪演练1　为了研究3月下旬的平均气温(x)与4月20日前棉花害虫化蛹高峰日(y)的关系，某地区观察了2006年2011年的情况，得到了下面的数据： 年份 2006 2007 2008 2009 2010 2011 x/℃ 24.4 29.6 32.9 28.7 30.3 28.9 y/日 19 6 1 10 1 8 (1)对变量x，y进行相关性检验； (2)据气象预测，该地区在2012年3月下旬平均气温为27 ℃，试估计2012年4月化蛹高峰日为哪天． 解　制表. i 1 2 3 4 5 6 xi 24.4 29.6 32.9 28.7 30.3 28.9 yi 19 6 1 10 1 8 ≈29.13，y2＝563，＝7.5，x＝5 130.92， xiyi＝1 222.6 (1)r＝≈－0.949 8. 由|r|＞0.75，可知变量y和x存在很强的线性相关关系． (2)b＝≈－2.3，a＝－b≈74.5.所以，线性回归方程为y＝74.5－2.3x.当x＝27时，y＝74.5－2.3×27＝12.4.据此，可估计该地区2012年4月12日或13日为化蛹高峰日． 要点二　可线性化的回归分析 例2　在一化学反应过程中，化学物质的反应速度y(g/min)与一种催化剂的量x(g)有关，现收集了8组观测数据列于表中： 催化剂的量x/g 15 18 21 24 27 30 33 36 化学物质的反应速度y(g·min－1) 6 8 30 27 70 205 65 350 解　根据收集的数据，作散点图(如图)，根据已有的函数知识，可以发现样本点分布在某一条指数函数曲数y＝c1ec2x的周围，其中c1和c2是待定的参数． 令z＝ln y，则z＝ln y＝ln c1＋c2x， 即变换后的样本点应该分布在直线z＝a＋bx(a＝ln c1，b＝c2)的周围． 由y与x的数据表可得到变换后的z与x的数据表： x 15 18 21 24 27 30 33 36 z 1.792 2.079 3.401 3.296 4.248 5.323 4.174 5.858 作出z与x的散点图(如图)． 由散点图可观察到，变换后的样本点分布在一条直线的附近，所以可用线性回归方程来拟合． 由z与x的数据表，可得线性回归方程： z＝0.848＋0.81x， 所以y与x之间的非线性回归方程为 y＝e－0.848＋0.81x. 规律方法　可线性化的回归分析问题，画出已知数据的散点图，选择跟散点拟合得最好的函数模型进行变量代换，作出变换后样本点的散点图，用线性回归模型拟合． 跟踪演练2　电容器充电后，电压达到100 V，然后开始放电，由经验知道，此后电压U随时间t变化的规律用公式U＝Aebt(b＜0)表示，现测得时间t(s)时的电压U(V)如下表： t/s 0 1 2 3 4 5 6 7 8 9 10 U/