数学2-3,3.1回归分析的基本思想及其初步应用.pptVIP

比《数学必3》中“回归”增加的内容 必修３——统计 画散点图 了解最小二乘法的思想 求回归直线方程 y＝bx＋a 用回归直线方程解决应用问题 选修2-3——统计案例 引入线性回归模型 y＝bx＋a＋e 了解模型中随机误差项e 产生的原因 了解相关指数 R2 和模型 拟合的效果之间的关系 了解残差图的作用 利用线性回归模型解决 一类非线性回归问题 正确理解分析方法与结果 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. * * 3.1 回归分析的基本思想 及其初步应用 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？ 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。对具有相关关系的两个变量进行统计分析的方法叫回归分析。 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. 问题2：对于线性相关的两个变量用什么方法来刻划之间的关系呢？ 2、最小二乘估计 最小二乘估计下的线性回归方程： 例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 求根据女大学生的身高预报体重的回归方程，并预报一名身高为172ｃｍ的女大学生的体重。　 问题一：结合例1得出线性回归模型及随机误差,并且区分函数模型和回归模型。 1. 散点图； 2.回归方程： 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． 身高为172ｃｍ的女大学生的体重一定是60.316kg吗？如果不是, 其原因是什么? 探究？ （1）由图形观察可以看出，样本点呈条状分布，身高和体重有比较好的线性相关关系，因此可以用线性回归方程刻画它们之间的关系。 （2）从散点图还可以看到，样本点散布在某一条直线的附近，而不是一条直线上，所以不能用一次函数ｙ＝ｂｘ＋ａ来描述它们之间的关系。这时我们用下面的线性回归模型来描述身高和体重的关系：ｙ＝ｂｘ＋ａ+ｅ其中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称为随机误差。 其中a和b为模型的未知参数，e称为随机误差。 y= bx + a + e， E(e) = 0, D(e) = 在线性回归模型(4)中，随机误差e的方差 越小，通过回归直线 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，由于计算出来的 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。 随机误差： 线性回归模型： 思考: 产生随机误差项e的原因是什么？ 随机误差e的来源(可以推广到一般）： 1、忽略了其它因素的影响：影响身高 y 的因素不只是体重 x，可能还包括遗传基因、饮食习惯、生长环境等因素； 2、用线性回归模型近似真实模型所引起的误差； 3、身高 y 的观测误差。 以上三项误差越小，说明我们的回归模型的拟合效果越好。 函数模型与“回归模型”的差别： 函数模型：因变量y完全由自变量x确定 回归模型：预报变量y完全由解释变量x和随机误差e确定 函数模型： 回归模型： 问题二：在线性回归模型中，e是用bx+a预报真实值y的随机误差，它是一个不可观测的量，那么应如何研究随机误差呢？ 称为残差平方和。 表3-2列出了女大学生身高和体重的原始数据以及相应的残差数据。 在研究两个变量间的关系时，首先要根据散点图来粗略判断它们是否线性相关, 是否可以用回归模型来拟合数据. 残差分析与残差图的定义： 然后，我们可以通过残差 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。 编号 1 2 3 4 5 6 7 8 身高/cm 165 165 157 170 175 165 155 170 体重/kg 48 57 50 54 64 61 43 59 残差 -6.373 2.627 2.419 -4.618 1.137 6.627 -2.883 0.382 我们可以利用