变量的相关性..pptVIP

2.3 变量的相关性 . 1、变量之间除了函数关系外，还有相关关系。 例：（1）商品销售收入与广告支出经费之间的关系 （2）粮食产量与施肥量之间的关系 （3）人体内脂肪含量与年龄之间的关系 不同点：函数关系是一种确定的关系；而 相关关系是一种非确定关系. 相关关系与函数关系的异同点： 相同点：均是指两个变量的关系． 一、变量与变量之间的关系： 1、一类具备确定性的函数关系；如正方形边长a与面积S 2、另一类不具备函数关系所要求的确定性：如脂肪含量与年龄 ，这样的两个变量我们 称它们具有相关关系 2、两个变量之间产生相关关系的原因是受许多不确 定的随机因素的影响。 3、需要通过样本来判断变量之间是否存在相关关系 在一次对人体脂肪含量和年龄关系的研究中， 研究人员获得了一组样本数据： 年龄 23 27 39 41 45 49 50 脂肪 9.5 17.8 21.2 25.9 27.5 26.3 28.2 年龄 53 54 56 57 58 60 61 脂肪 29.6 30.2 31.4 30.8 33.5 35.2 34.6 根据上述数据，人体的脂肪含量与年龄之间 有怎样的关系？ 散点图: 两个变量的散点图中点的分布的位置是从左 下角到右上角的区域，即一个变量值由小变大， 另一个变量值也由小变大，我们称这种相关关系 为正相关。 思考：1、两个变量成负相关关系时，散点图有什么特点？ 答：两个变量的散点图中点的分布的位置是从左上角到右下角的区域，即一个变量值由小变大，而另一 个变量值由 大变小，我 们称这种相 关关系为负 相关。 2、你能举出一些生活中的变量成正相关或者负相关的例子吗？ 如学习时间与成绩，负相关如日用眼时间和视力，汽车的重量和汽车每消耗一升汽油所行驶的平均路程等。 注：若两个变量散点图呈上图，则不具有相关关系，如：身高与数学成绩没有相关关系。 散点图 回归直线：如果散点图中点的分布从整体上看大 致在一条直线附近，我们就称这两个变量之间具 有线性相关关系，这条直线就叫做回归直线。 这条回归直线的方程，简称为回归方程。 1.如果所有的样本点都落在某一函数曲线上，变量之间具有函数关系 2.如果所有的样本点都落在某一函数曲线附近，变量之间就有相关关系 3.如果所有的样本点都落在某一直线附近，变量之间就有线性相关关系 只有散点图中的点呈条状集中在某一直线周围的时候，才可以说两个变量之间具有线性关系，才有两个变量的正线性相关和负线性相关的概念，才可以用回归直线来描述两个变量之间的关系 20 25 30 35 40 45 50 55 60 65 年龄 脂肪含量 0 5 10 15 20 25 30 35 40 我们再观察它的图像发现这些点大致分布在一条直线附近,像这样，如果散点图中点的分布从整体上看大致在一条直线附近，我们就称这两个变量之间具有线性相关关系,这条直线叫做回归直线，该直线的方程叫回归直线方程。 问题： （1）回归直线有多少条？ （2）如何求得回归直线方程？ （3）那种方法最合理？ “最贴近”已知数据点的直线 常记为 y的上方加“^”，表示当x取 值xi时，Y的实际观察值yi与回 归方程对应于xi时的纵坐标是 x Y . 方案1、在图中取最左端和最右端两点作直线 20 25 30 35 40 45 50 55 60 65 年龄 脂肪含量 0 5 10 15 20 25 30 35 40 . 方案2、在图中选两点作直线，使直线两侧 的点的个数基本相同。 20 25 30 35 40 45 50 55 60 65 年龄 脂肪含量 0 5 10 15 20 25 30 35 40 . 方案3、画出一条直线，测量出各点与它的距离，再移动直线，当距离和最小时的直线即为所求。再测出它的斜率和截距，得回归方程。 20 25 30 35 40 45 50 55 60 65 年龄 脂肪含量 0 5 10 15 20 25 30 35 40 如图 ： 我们还可以找到 更多的方法，但 这些方法都可行 吗?科学吗？ 准确吗？怎样的 方法是最好的？ 20 25 30 35 40 45 50 55 60 65 年龄 脂肪含量 0 5 10 15 20 25 30 35 40 我们把由一个变量的变化 去推测另一个变量的方法 称为回归方法。 方案4、如果多取几对点，确定多条直线，再求出这些直线的斜率和截距的平均值作为回归直线的斜率和截距。而得回归方程。 如图: 上述三种方案均有一定的道理，但可靠性不强，我们回到回归直线的定义。 求回归方程的关