1.1回归分析的基本思想及初步应用(1).ppt

1.1回归分析的基本思想及初步应用(1) 思考：相关关系与函数关系有怎样的不同？ 函数关系中的两个变量间是一种确定性关系 相关关系是一种非确定性关系 线性回归模型ｙ＝ｙ＝ｂｘ＋ａ+ｅ与我们熟悉的一次函数模型ｙ＝ｂｘ＋ａ的不同的之处是增加了随机误差ｅ，因变量ｙ的值由自变量ｘ和随机误差ｅ共同确定，即自变量ｘ只能解释部分ｙ的变化。自变量ｘ称为解释变量，因变量ｙ称为预报变量。 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。 * 1、两个变量的关系 不相关 相关关系 函数关系 线性相关 非线性相关 问题1：现实生活中两个变量间的关系有哪些呢？ 相关关系：对于两个变量，当自变量取值一定时，因变量的取值带有一定随机性的两个变量之间的关系。 复习 变量之间的两种关系 函数关系是一种理想的关系模型 相关关系在现实生活中大量存在，是更一般的情况 复习 变量之间的两种关系 例题1 从某大学中随机选出8名女大学生，其身高和体重数据如下表： 59 43 61 64 54 50 57 48 体重 170 155 165 175 170 157 165 165 身高 8 7 6 5 4 3 2 1 编号 求根据一名女大学生的身高预报她的体重的回归方程，并预报一名身高为172ｃｍ的女大学生的体重。　 分析：由于问题中要求根据身高预报体重，因此选取身高为自变量，体重为因变量． = ————————————————————————————————— = 0.849 所以线性回归方程是: 线性回归模型 ｙ＝ｂｘ＋ａ+ｅ 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称为随机误差。 产生随机误差项e的原因是什么? 解释变量x（身高） 随机误差e 预报变量y（体重） 回归方程 中的 估计ｙ＝ｂｘ＋ａ+ｅ中的ｂｘ＋ａ i=1 , 2 , … , n , , 称为相应于点 的残差 坐标纵轴为残差变量，横轴可以有不同的选择； 身高与体重残差图 异常点