回归分析的基本思想及其初步应用课件9人教A版选修1 2.ppt

第一章 统计案例 1.1 回归分析的基本思想及其初步应用 a. 比《数学 3 》中“回归”增加的内容 数学３ —— 统计 1. 画散点图 2. 了解最小二乘法 的思想 3. 求回归直线方程 y ＝ bx ＋ a 4. 用回归直线方程 解决应用问题 选修１ - ２ —— 统计案例 5. 引入线性回归模型 y ＝ bx ＋ a ＋ e 6. 了解模型中随机误差项 生的原因 e 产 7. 了解相关指数 合的效果之间的关系 R 2 和模型拟 8. 了解残差图的作用 9. 利用线性回归模型解决一类 非线性回归问题 10. 正确理解分析方法与结果 什么是回归分析： “ 回归”一词是由英国生物学家 F.Galton 在研究人体身高的遗传问题时首先提出的。 根据遗传学的观点，子辈的身高受父辈影响，以 X 记父辈身高， Y 记子辈身高。 虽然子辈身高一般受父辈影响，但同样身高的父亲，其子身高并不一致，因此， X 和 Y 之间存在一种相关关系。 一般而言，父辈身高者，其子辈身高也高，依此推论，祖祖辈辈遗传下来，身 高必然向两极分化，而事实上并非如此，显然有一种力量将身高拉向中心，即子辈 的身高有向中心回归的特点。“回归”一词即源于此。 虽然这种向中心回归的现象只是特定领域里的结论，并不具有普遍性，但从它 所描述的关于 X 为自变量， Y 为不确定的因变量这种变量间的关系看，和我们现在的 回归含义是相同的。 不过，现代回归分析虽然沿用了“回归”一词，但内容已有很大变化，它是一种应用 于许多领域的广泛的分析研究方法，在经济理论研究和实证研究中也发挥着重要作用。 回归分析的内容与步骤： 回归分析通过一个变量或一些变量的变化解释另一变量的变化。 其主要内容和步骤是， 首先根据理论和对问题的分析判断， 将变量分为自变量和因变量 ； 其次，设法 找出合适的数学方程式（即回归模型） 描述变量间的关系； 由于涉及到的变量具有不确定性，接着还要 对回归模型进行统计检验 ； 统计检验通过后，最后是 利用回归模型，根据自变量去估计、预测因变量 。 案例 1 ：女大学生的身高与体重 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。 1 2 3 4 5 6 7 8 编号 身高 /cm 165 165 157 170 175 165 155 170 体重 /kg 48 57 50 54 64 61 43 59 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。 解： 1 、选取身高为自变量 x ，体重为因变量 y ，作散点图： 2 、由散点图知道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 思考 P3 刻画它们之间的关系。 产生随机误差项 e 3 、从散点图还看到，样本点散布在某一条 的原因是什么？ 直线的附近，而不是在一条直线上，所以 不能用一次函数 y=bx+a 描述它们关系。 我们可以用下面的 线性回归模型 来表示： y=bx+a+e ，其中 a 和 b 为模型的未知参数， e 称为随机误差 。 思考 P3 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 、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。 函数模型与回归模型之间的差别 中国GDP散点图 120000 100000 80000 G D P 60000 40000 20000 0 1992 1993 1994 1995 1996 1997 年 1998 1999 2000 2001 2002 2003 函数模型： y ? bx ? a 回归模型： y ? bx ? a ? e 可以提供 选择模型的准则 函数模型与回归模型之间的差别 函数模型： y ? bx ? a 回归模型： y ? bx ? a ? e 线性回归模型 y=bx+a+e 增加了随机误差项 e ，因变量 y 的值由自变量 x 和 随机误差项 e 共同确定，即自变量 x 只能解析部分 y 的变化。 在统计中，我们也把自变量 x 称为解析变量，因变量 y 称为预报变量。 案例 1 ：女大学生的身高与体重 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。 1 2 3 4 5 6 7 8 编号 身高 /cm 165 165 157 170 175 165 155 170 体重 /kg 48 57 50 54 64 61 43 59 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。 解： 1 、选取身高为