2017学年中数学人教A版选修2-3课前导引：3.1回归分析的基本思想及其初步应用Word版含解析.docVIP

3.1 回归分析的基本思想及其初步应用课前导引问题导入 函数关系是一种确定性关系，而相关关系则是一种非确定性关系.回归分析是对具有相关关系的两个变量进行统计分析的一种常用方法.本节我们将在数学3模块的基础上进一步讨论回归分析的基本思想及初步应用.知识预览1.样本点的中心 对于一但具有线性相关关系的数据（x1,y1）,(x2,y2),…,(xn,yn)，我们知道其回归方程的截距和斜率的最小二乘估计公式分别有：=其中()称为____________注：回归直线过样本点的中心.2.线性回归模型y=bx+a+e这里a和b为模型的未知参数，e是y与=bx+a之间的误差.通常e为随机变量，称为随机误差，它的均值E（e）=0，方差D（e）=σ2＞0.这样线性回归模型的完整表达式为： (3)说明：在线性回归模型（3）中，随机误差e的方差σ2越小，通过回归直线=bx+a预报真实值y的精度越高.随机误差是引起预报值与真实值y之间的误差的原因之一，其大小取决于随机误差的方差.另一方面，由于公式（1）和（2）中和为截距和斜率的估计值，它们与真实值a和b之间也存在误差，这种误差是引起预报值与真实值y之间误差的另一个原因.3.残差(residual)=yi-=yi--,i=1,2,…,n,称为相应于点(xi,yi)的残差.类比样本方差估计总体方差的思想，可以用= (,)(n＞2)作为σ2的估计量，其中和由公式（1）（2）给出，Q（，）称为残差平方和(residual sum of squares).可以用衡量回归方程的预报精度.通常，越小，预报精度越高.4.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精略判断它们是否线性相关，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.这方面的分析工作称为残差分析.5.残差图 我们可以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，或身高数据，或体重的估计值等，这样作出的图形称为残差图.下图是以样本编号为横坐标的残差图. 从图中可以看出，第1个样本点和第6个样本点的残差比较大，需要确认在采集这两个样本点的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，说明选用的模型比较合适.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.另外，我们还可以用相关指数R2来刻画回归的效果，其计算公式是：R2=1-.显然，R2取值越大，意味着残差平方和越小，也就是说模型的拟合效果越好.在线性回归模型中，R2表示解释变量对于预报变量变化的贡献率.R2越接近于1，表示回归的效果越好（因为R2越接近于1，表示解释变量和预报变量的线性相关性越强）.如果对某组数据可能采取几种不同的回归方程进行回归分析，也可以通过比较几个R2，选择R2大的模型作为这组数据的模型.6.建立回归模型的基本步骤（1）确定研究对象，明确哪个变量是解释变量的散点图，观察它们之间的关系（如是否存在线性关系等）；（2）画出确定好的解释变量和预报变量，哪个变量是预报变量；（3）由经验确定回归方程的类型（如我们观察到数据呈现线性关系，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）；若存在异常，则检查数据是否有误，或模型是否合适等.7.比较拟合效果的基本步骤对于给定的样本点(x1,y1),(x2,y2),…,(xn,yn)，两个含有未知参数的模型=f(x,a)和=g(x,b),其中a和b都是未知参数.可以按如下的步骤来比较它们的拟合效果：（1）分别建立对应于两个模型的回归方程=f(x,)与=g(x,),其中和分别是参数a和b的估计值；（2）分别计算两个回归方程的残差平方和2与；（3）若，则=f(x,)的效果比=g(x,)的好；反之, =f(x,)的效果不如=g(x, )的好. HYPERLINK /s?q=%E5%B0%8F%E7%99%BD%E8%88%B9ie=utf-8src=wenda_link \t /q/_blank HYPERLINK /s?q=%E6%A1%82%E8%8A%B1%E6%A0%91ie=utf-8src=wenda_link \t /q/_blank HYPERLINK /s?q=%E5%9C%A8%E9%82%A3%E9%81%A5