311高二数学人教版回归分析的基本思想及其初步应用2.pptVIP

某运动员训练次数与运动成绩之间的数据关系如下： 残差图 第四步：计算相关指数 作业： 作业本A：Ｐ71 7 例2.一只红铃虫的产卵数y和温度x有关,现收集了7组 观测数据列于下表中,试建立y与x之间的回归方程 325 115 66 24 21 11 7 产卵数y/个 35 32 29 27 25 23 21 温度x/oC 解:1)作散点图; 例2.一只红铃虫的产卵数y和温度x有关,现收集了7组 观测数据列于下表中,试建立y与x之间的回归方程 325 115 66 24 21 11 7 产卵数y/个 35 32 29 27 25 23 21 温度x/oC 解:1)作散点图; 从散点图中可以看出产卵数和温度之间的关系并不能用线性回归模型来很好地近似。这些散点更像是集中在一条指数曲线或二次曲线的附近。 利用线性回归模型来建立y和x之间的非线性回归方程 5.784 4.745 4.190 3.178 3.045 2.398 1.946 z 35 32 29 27 25 23 21 x * * 美国馆 选修2-3 第三章 统计案例 复习回顾： 1.回归直线的方程: ３．相关系数 上节课中的题目： 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 预报一名身高为172ｃｍ的女大学生的体重。　 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 身高为172的女学生体重一定是60.316吗？ 从散点图可看到，样本点散布在某条直线的附近，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。 １．理想化的斜率和截距是未知参数 ２．在实际中，随机变量还受其他因素影响 ３．我们所选用的模型只是一种近似模型 故线性回归模型的完整表达式为 y=bx+a+e 因变量y的值由自变量x和随机变量e共同确定 自变量x只能解释部分y的变化,称为解释变量 因变量y称为预报变量 解释变量x(身高) 随机误差e 预报变量y(体重) 注意１： 注意２：对随机误差e的研究 线性回归模型的完整表达式 y=bx+a+e 59 43 61 64 54 50 57 48 体重y 残差 170 155 165 175 170 157 165 165 身高 8 7 6 5 4 3 2 1 编号 54.37 54.37 -6.29 2.71 59 43 61 64 54 50 57 48 体重 0.47 -2.81 6.71 1.22 -4.53 2.50 2.71 -6.29 残差 170 155 165 175 170 157 165 165 身高 8 7 6 5 4 3 2 1 编号 残差图:　纵坐标为残差,横坐标如何选取？ 　　　　 横坐标可以选为样本编号 残差是个随机变量，如何来研究残差？ 如何分析残差图？ 以样本编号为横坐标的残差图: 异常点 是否为错误数据？ 残差图中的残差点比较均匀地落在水平的带状区域，说明选用的模型比较合适。区域的宽度越窄，说明模型拟合精度越高，回归方程的预报精度越高。 为了衡量预报的精度,需要估计的σ2值 故线性回归模型的完整表达式为 y=bx+a+e 为了衡量预报的精度,需要估计的σ2值 59 43 61 64 54 50 57 48 体重 0.382 -2.883 6.627 1.137 -4.618 2.419 2.627 -6.373 残差 170 155 165 175 170 157 165 165 身高 8 7 6 5 4 3 2 1 编号 注:在含有一个解释变量的线性模型中,R2恰好等于相关系数r的平方. 这表明“身高解释了64%的体重变化”，或者说“体重的差异有64%是有身高引起的” (而随机误差贡献了剩余的36%,所以,身高对体重的效应比随机误差的效应大得多,可以说身高和体重的相互关系较强) ５１ ４８ ４６ ４２ ３９ ３７ ３４ ３０ 成绩 ５０ ４６ ４４ ３９ ３７ ３５ ３３ ３０ 次数 ８ ７ ６ ５ ４ ３ ２ １ 编号 试预测运动员训练４７次以及５５次的成绩 ５１ ４８ ４６ ４２ ３９ ３７ ３４ ３０ 成绩 ５０ ４６ ４４ ３９ ３７ ３５ ３３ ３０ 次数 ８ ７ ６ ５ ４ ３ ２ １ 编号 第一步：做散点图 ５１ ４８ ４６ ４２ ３９ ３７ ３４ ３０ 成绩 ５０ ４６ ４４ ３９ ３７ ３５ ３３ ３０ 次数