变量间的相关关系回归分析导学案.docVIP

变量间的相关关系、回归分析导学案 学习目标：1.会作两个相关变量的数据的散点图，会利用散点图认识变量的相关关系；了解最小二乘法的思想，能根据给出的系数公式建立线性回归方程；2.了解回归分析的基本思想、方法及其简单应用. 学习重点：了解回归模型与函数模型的区别；了解任何模型只能近似描述实际问题；模型拟合效果的分析工具：残差分析和指标. 学习难点：残差变量的解释与分析；指标的理解. 知识梳理 变量间的相关关系 （1）两个变量之间的关系包括 和 ，相关关系是指 （2）散点图是指 ，观察散点图可知，相关关系又包括 和 。 （3）线性相关关系及回归直线： 2.回归分析的基本思想及其初步应用 （1）对具有 的两个变量进行统计分析的方法叫 。回归分析的一般步骤为： （2）回归直线方程：设所求的直线方程为，其中， 称为样本点的中心，回归直线过 ，回归方程的截距和斜率是用 计算出来的，最小二乘法是指 （3）回归分析：如何检查所建立的回归模型拟合效果的好坏？ (4)相关系数① ②当时,表明两个变量正相关；当时,表明两个变量负相关. 的绝对值越接近于0时,表明两个变量之间几乎不存在线性相关关系.通常大于0.75时,认为两个变量有很强的线性相关性. 3.残差分析 (1)总偏差平方和：把每个效应(观测值减去总的平均值)的平方加起来即: (2)残差：数据点和它回归直线上相应位置的差异是随机误差的效应,称为残差. (3)残差平方和.(4)相关指数 的值越大,说明残差平方和越小,也就是说模型的拟合效果越好.在线性回归模型中, 表示解释变量对预报变量变化的贡献率, 越接近于1,表示回归的效果越好. 4.建立回归模型的步骤 (1)确定研究对象,明确哪个变量是解释变量,哪个变量是预报变量. (2)画出确定好的解释变量和预报变量的散点图,观察它们之间的关系(如是否存在线性关系等). (3)由经验确定回归方程的类型(如我们观察到数据呈线性关系,则选用线性回归方程). 应用： 1.下表提供了某厂节能降耗技术改造后生产甲产品过程中记录的产量x(吨)与相应的生产能耗Y(吨标准煤)的几组对照数据 x 3 4 5 6 y 2.5 3 4 4.5 (1)请画出上表数据的散点图； (2)请根据上表提供的数据，用最小二乘法求出Y关于x的线性回归方程Y=bx+a； (3)已知该厂技改前100吨甲产品的生产能耗为90吨标准煤．试根据(2)求出的线性回归方程，预测生产100吨甲产品的生产能耗比技改前降低多少吨标准煤? (参考数值：3×2.5+4×3+5×4+6×4.5=66.5) 2.测得某国10对父子身高(单位:英寸)如下: (1)对变量进行相关性检验; (2)如果之间具有线性相关关系,求回归方程. (3)如果父亲的身高为73英寸,估计儿子的身高. (二)非线性回归分析 1.非线性回归模型:当回归方程不是形如时称之为非线性回归模型. 2.非线性回归模型的拟合效果:对于给定的样本点,两个含有未知数的模型,其中都是未知参数. 可按如下的步骤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,其中分别是参数的估计值; (2)分别计算两个回归方程的残差平方和; (3)若＜,则; 反之, 例：为了研究某种细菌随时间x变化时,繁殖个数y的变化,收集数据如下: 天数x/天 1 2 3 4 5 6 繁殖个数y/个 6 12 25 49 95 190 (1)用天数x作解释变量,繁殖个数y作预报变量,作出这些数据的散点图; (2)描述解释变量x与预报变量y之间的关系; (3)计算残差平方和、相关指数.