回归基本知识的基本思想及其初步应用(精).pptVIP

回归基本知识的基本思想及其初步应用(精).ppt

  1. 1、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。。
  2. 2、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  3. 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
  4. 4、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
  5. 5、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们
  6. 6、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
  7. 7、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
回归分析教学内容分析 一、教学任务分析 1、利用残差和R2探讨回归模型拟合的效果,让学生理解在统 计中回归诊断的重要性,只有拟合效果好的模型才能利用回归 模型预报。 2、通过例1归纳出建立回归模型的基本步骤,并归纳出利用回 归模型预报体重时应该注意的适用性。 3、通过例2让学生体会如何借助线性回归模型研究具有非线性关 系的两个变量。 4、寻求近似效果好的模型及寻求最有效的数据处理方法是人们 不断追求的目标。 二、教学重点 1、函数模型与“回归模型”的关系;散点图与模型的选择。 2、建立回归模型的步骤,特别强调回归诊断中如何利用残差和相关指数R2 3、注意提炼案例所蕴含的统计思想。应用统计方法解决实际问题需要注意的问题。 三、教学难点 借助函数变换把非线性相关关系转化为线性相关关系,例2中所 建立的两个模型:一个是把预报变量对数化,一个是把解释变量 平方化。 回归分析教学内容分析 四、教学情境设计 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。 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? 问题三:如何发现数据中的错误?如何衡量随机模型的拟合效果? 问题四:结合例1思考:用回归方程预报体重时应注意什么? 问题五:归纳建立回归模型的基本步骤。 问题六:若两个变量呈现非线性关系,如何解决?(分析例2) 例1 从某大学中随机选取8名女大学生,其身高和体重数据如表1-1所示。 59 43 61 64 54 50 57 48 体重/kg 170 155 165 175 170 157 165 165 身高/cm 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。 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。 解:1、选取身高为自变量x,体重为因变量y,作散点图: 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。 2.回归方程: 探究:身高为172cm的女大学生的体重一定是60.316kg吗?如果不是,你能解析一下原因吗? 答:用这个回归方程不能给出每个身高为172cm的女大学生的体重的预测值, 只能给出她们平均体重的值。 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。 由于所有的样本点不共线,而只是散布在某一直线的附近,所以身高和体重的关系可以用线性回归模型来表示: 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)= 注:1、随机误差e包含预报体重不能由身高的线性函数解释的所有部分。 2、E(e)=0可用回归方程必过样本点中心 解释。 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。 * 函数模型与“回归模型”的关系 函数模型: 样本点在函数曲线上 回归模型: 样本点不在回归函数曲线上 函数模型与“回归模型”的关系 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 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。 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? 结合例1除了身高影响体重外的其他因素是不可测量的,不能希望有某种方法获取随机误差的值以提高预报变量的估计精度,但却可以估计预报变量观测值中所包含的随机误差,这对我们查找样本数据中的错误和模型的评价极为有用,因此在此我们引入残差概念。 问题三:如何发现数据中的错误?如何衡量随机模型的拟合效果? (1)我们可以通过分析发现原始数据中的可疑数据,判断建立模型的拟合效果。 残差图的制作和作用: 制作:坐标纵轴为残差变量,横轴可以有不同的选择. 横轴为编号:可以考察残差与编号次序之间的关系, 常用于调查数据错误. 横轴为解释变量:可以考察残差与解释变量的关系,常用于研究模型是否有改进的余地. 作用:判断模型的适用性若模型选择的正确,残差图中的点应该分布在以横轴为中心的带形区域. 问题三:如何发现数据中的错误?如何衡量随机模型的拟合效果? 问题三:如何发现数据中的错误?如何衡量随

文档评论(0)

勤能补拙 + 关注
实名认证
文档贡献者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档