选修1-2第一章统计案例1.1.1《回归分析》课时1-课件教学文稿.ppt

选修1-2第一章统计案例1.1.1《回归分析》课时1-课件 根据必修3 2.3变量相关关系解决这个问题的方法： 1.先判断是两个变量是否具有线性相关关系 (1)作散点图，如图所示(见课本P82：图3.1-1) 具有较好的线性相关关系 性质：回归直线一定过样本中心点 (2)计算相关系数 这些点并不都在同一条直线上，上述直线并不能精确地反映x与y之间的关系，y 的值不能完全由x 确定，它们之间是统计相关关系，y 的实际值与估计值之间存在着误差． 因此,在统计学中设它们的线性回归模型为: 其中a,b为模型的未知参数,e为y与bx+a之间的误差，称它为随机误差，它是随机变量。且 x称为_____变量,y称为_____变量. 解释 预报 在线性回归模型中，e为用bx+a的预报真实值y的随机误差，它是一个不可观测的量，那么应该怎样研究随机误差？ 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中心的带形区域； 对于远离横轴的点，要特别注意。 残差的作用 1.通过残差表或残差图发现原始数据中的可疑数据 通过残差表或残差图判断模型拟合的效果是直观判断，如何精确判断模型拟合的效果？ 引入参数R2 来精确该画模型拟合效果 引入例中参数R2计算得约为0.64说明女大学生体重差异有百分之六十四是由身高引起的. 知识点 线性回归分析 1.对线性回归模型的三点说明 (1)非确定性关系：线性回归模型y=bx+a+e与确定性函数y=bx+a相比，它表示y与x之间是统计相关关系(非确定性关系),其中的随机误差e提供了选择模型的准则以及在模型合理的情况下探求最佳估计值a，b的工具. (2)线性回归方程 中 ， 的意义是：以 为基数，x每增加1个单位，y相应地平均增加 个单位. (3)线性回归模型中随机误差的主要来源 ①线性回归模型与真实情况引起的误差； ②观测与计算产生的误差； ③省略了一些因素的影响产生的误差. 2.线性回归模型的模拟效果 (1)残差图法:观察残差图,如果残差点比较均匀地落在水平的带状区域中,说明选用的模型比较合适,这样的带状区域的宽度越窄,说明模型拟合精度越高,回归方程的预报精度越高. (2)残差的平方和法:一般情况下,比较两个模型的残差比较困难(某些样本点上一个模型的残差的绝对值比另一个模型的小,而另一些样本点的情况则相反),故通过比较两个模型的残差的平方和的大小来判断模型的拟合效果.残差平方和越小的模型,拟合的效果越好. (3)R2法:R2的值越大,说明残差平方和越小,也就是说模型拟合的效果越好. 3.相关系数r与相关指数R2 (1)R2是相关指数的平方,其变化范围为[0,1],而相关系数r的变化范围为[-1,1]. (2)相关系数r可较好地反映变量的相关性及正相关或负相关,而R2反映了回归模型拟合数据的效果. (3)当|r|接近于1时说明两变量的相关性较强,当|r|接近于0时说明两变量的相关性较弱,而当R2接近于1时,说明线性回归方程的拟合效果较好. 【微思考】 (1)残差与我们平时说的误差是一回事儿吗? 提示:这两个概念在某程度上具有很大的相似性,都是衡量不确定性的指标,二者的区别是:误差与测量有关,误差可以衡量测量的准确性,误差越大表示测量越不准确;残差与预测有关,残差大小可以衡量预测的准确性,残差越大表示预测越不准确. 建立回归模型的基本步骤 (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)． (4)按一定规则(如最小二乘法)估计回归方程中的参数． (5)得出结果后分析残差图是否有异常(如个别数据对应残差过大，或残差呈现不随机的规律性等)．若存在异常，则检查数据是否有误，或模型是否合适等． 某商场经营一批进价是30元/台的小商品，在市场试验中发现，此商品的销售单价x(x取整数)元与日销售量y台之间有如下对应数据： 单价x/元 35 40 45 50 日销量y/台 56 41 28 11 (1)画出散点图并说明y与x是否具有线性相关关系？如果有，求出线性回归方程；(方程的斜率保留一个有效数字) (2)设经营此商品的日销售利润为P元，根据(1)写出P关于x的函数关系式，并预测当销售单价x为多少元时，才能获得最大日销售利润？ 【解】　(1)散点图如图所示： 从图中可以看出这些点大致分布在一条直线附近， 因此两个变量具有线性相关关系． 即预测销售单价为42元时，能获得最大日销售利润． 【思维总结】　该类题属于线性回归问题，解答此类题目的关键是：首先通过散点图来判断两变量是否相