数学2-3,3.1回归分析的基本思想及其初步应用讲解.pptVIP

3.1 回归分析的基本思想 及其初步应用; 比《数学必3》中“回归”增加的内容;1、两个变量的关系;思考：相关关系与函数关系有怎样的不同？;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？;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：;1. 散点图； 2.回归方程： ;（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。;思考: 产生随机误差项e的原因是什么？;函数模型与“回归模型”的差别：;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？;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。;残差图的制作及作用。 坐标纵轴为残差变量，横轴可以有不同的选择； 若模型选择的正确，残差图中的点应该分布在以横轴为心的带形区域； 对于远离横轴的点，要特别注意。;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？;(2) 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(或身高、体重等)：可以考察残差与编号次序之间的关系 横轴为解释变量：可以考察残差与解释变量的关系， 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.; R2的值越大,说明残差平方和越小, 模型拟合效果越好。;例3 在一段时间内，某中商品的价格x元和需求量y件之间的一组数据为：;价格x;1) 确定解释变量和预报变量; 2) 画出散点图; 3) 确定回归方程类型; 4) 求出回归方程; 5) 利用相关指数或残差进行分析.;问题四：若两个变量呈现非线性关系，如何解决？（分析例2）;选变量; y= c1x2 + c2 变换 y= c1t + c2 非线性关系 线性关系;平方变换：令t = x2，产卵数y和温度x之间二次函数模型y=bx2+a就转化为产卵数y和温度的平方t之间线性回归模型y=bt+a;问题１;温度xoC ;函数模型