关于身高体重的统计实验论文.docxVIP

身高和体重的线性回归 摘要：应用一元线性回归分析研究两个变量之间的关系,在本文模型中我们研究身高与体重之间的线性关系,应用 SPSS 软件进行分析与求解,并通过回归诊断来证明不同的数据影响下变量之间的关系的变化。 关键词：大学生 身高 体重 线性 前言：在日常生活中我们提到一个人的身高就能猜出大概的体重，知 道体重也能猜出大概的身高，说明人体的身高与体重存在着一定的关 系，本文模型中在研究这两个变量之间的关系时,我们研究身高与体 重之间的线性关系,通过采集西北民族大学 200 名在校学生的身高与体重的数据，采用 spss 统计软件进行数据的处理,拟合出身高与体重间的线性关系。分析软件运算的结果，最终得到实际的一元线性关系。研究设计：通过散点图呈现的直线趋势，采用最小二乘法，找到两个 变量的经验公式，即一元线性回归模型。 最小二乘法原理 在我们研究两个变量(x, y)之间的相互关系时，通常可以得到一系列成对的数据(x1, y1)，（x2, y2），...，（xm , ym)；将这些数据描绘在 x -y 直角坐标系中, 若发现这些点在一条直线附近，可以令这条直线方程如(式 1-1)。 Y 计=a0+a1X(a0,a1 是任意实数)。 (式 1-1) 为建立这直线方程就要确定 a0 和 a1，应用《最小二乘法原理》， 将实测值Yi 与利用(式 1-1)计算值(Y 计=a0+a1X)的离差(Yi-Y 计)的平方和〔∑(Yi - Y 计)^2〕最小为“优化判据”。 令:φ=∑(Yi-Y 计)^2 (式 1-2) 把(式1-1)代入(式1-2)中得:φ=∑(Yi-a0-a1Xi)^2 (式 1-3) 当∑(Yi-Y 计)平方最小时，可用函数 φ 对 a0、a1 求偏导数， 令这两个偏导数等于零。 =-2 =0 (式 1-4) =-2 =0 (式 1-5) 亦即： ma0+(∑Xi)a1=∑Yi (式 1-6) (∑Xi)a0+(∑Xi2)a=∑(Xi,Yi) ( 式 1-7) 得到的两个关于 a0、 a1 为未知数的两个方程组，解这两个方程 组得出： a0=(∑Yi)/m-a1(∑Xi)/m (式 1-8) a1=[∑XiYi-(∑Xi∑Yi)]/[∑Xi^2-(∑Xi)^2)] ( 式 1-9) 这时把 a0、a1 代入(式 1-1)中, 此时的(式 1-1)就是我们回归的 元线性方程即：数学模型。 在回归过程中，回归的关联式是不可能全部通过每个回归数据点(x1, y1、 x2, y2...xm,ym),为了判断关联式的好坏,可借助相关系数“R”，统计量“F”，剩余标准偏差“S”进行判断；“R”越趋近于 1 越好；“F”的绝对值越大越好；“S”越趋近于 0 越好。 R=[∑XiYi-m(∑Xi/m)(∑Yi/m)]/SQR{[∑Xi^2-m(∑Xi/m)^2][ ∑Yi^2-m(∑Yi/m)^2]} (式1-10) 在(式 1-1)中，m 为样本容量，即实验次数；Xi、Yi 分别任意一组实验 X、Y 的数值。微积分应用课题一 最小二乘法。 最小二乘法可以用来处理一组数据，可以从一组测定的数据中寻求变量之间的依赖关系，这种函数关系称为经验公式。假定实验测得变量之间的各个数据 （x1,y1）, ?,（xm,ym）则在平面上, 可以得到 m 个点 , 这种图形称为“散点图”, 从图中可以粗略看出这些点大致散落在某直线近旁, 我们认为与之间近似为一线性函数。 实验步骤： 1、 建立数据文件 将数据文件导入到 spss 中。 2、 打开线性回归对话框和选入变量 依次单击菜单“分析——回归分析——线性?”,打开“线性回归”对话框在“因变量”列表框中选择变量“肺活量”，作为线性回归分析的被解释变量；在“自变量”列表框中选择“体重”，作为解释变量。 3、 设置 单击“统计”按钮，打开“线性回归：统计”对话框，依次选择 “估计”、“信赖区间”、“模型模拟”、“描述”、“Casewise 诊断”和“所有观测量”等选项。 单击“绘图”按钮，打开“线性回归：绘图”对话框，选择 “DEPENDENT”作为 y 轴变量，“*ZPRED”作为 x 轴变量；并在“标准化残差图”中选择“直方图”和“正态概率图”。 单击“保存”按钮，打开“线性回归：保存”对话框。在“预测值”选项组中选择“不标准化”和“平均标准误预测”；在“残差” 选项组中选择“不标准化”；在“预测区间”选项组中选择“均值”和“单值”。 单击“选项”按钮，打开“线性回归：选项”对话框。在“逐步 方法标准”中选择“使用 F 分布的概率”；并且选中“平均标准误预测”；并且选中“在方程中包含常量”。 结果与分析 描述性统计量 均值 标准 偏差 N 身高 /cm 166.15 7.816 200 体重