数学人教A版（2019）选择性必修第三册8.2 一元线性回归模型及其应用.pptx

第八章 成对数据的统计分析8.2 一元线性回归模型参数的最小二乘法估计授课过程学习目标主题一主题二精讲精练课堂练习课堂小结学习目标：1．结合具体实例，了解一元线性回归模型的含义，了解模型参数的统计意义，了解最小二乘原理，掌握一元线性回归模型参数的最小二乘估计方法，会使用相关的统计软件．2．针对实际问题，会用一元线性回归模型进行预测．主题1　一元线性回归模型基础预习初探　 生活经验告诉我们，儿子的身高与父亲的身高不仅线性相关，而且还是正相关，即父亲的身高较高时，儿子的身高通常也较高 . 为了进一步研究两者之间的关系，有人调查了14名男大学生的身高及其父亲的身高，得到的数据如表所示(身高单位cm).编号1234567891011121314父亲身高174170173169182172180172168166182173164180儿子身高176176170170185176178174170168178172165182利用前面表示数据的方法，以横轴表示父亲身高、纵轴表示儿子身高建立直角坐标系，再将表中的成对样本数据表示为散点图. 可以发现，散点大致分布在一条从左下角到右上角的直线附近，表明儿子身高和父亲身高线性相关. 利用统计软件，求得样本相关系数为r ≈0.886，表明儿子身高和父亲身高正线性相关，且相关程度较高. 思考? 根据表中的数据，儿子身高和父亲身高这两个变量之间的关系可以用函数模型刻画吗?编号1234567891011121314父亲身高174170173169182172180172168166182173164180儿子身高176176170170185176178174170168178172165182 在上表的数据中, 存在父亲身高相同而儿子身高不同的情况 . 例如，第6个和第8个观测父亲的身高均为172cm，而对应的儿子的身高为176cm和174cm；同样在第3，4个观测中 , 儿子的身高都是170cm , 而父亲的身高分别为173cm , 169cm . 可见儿子的身高和父亲身高之间不是函数关系，也就不能用函数模型刻画. 散点图中的散点大致分布在一条直线附近，表明儿子身高和父亲身高这两个变量之间有较强的线性相关关系，因此我们可以用一次函数来刻画父亲身高对儿子身高的影响，而把影响儿子身高的其他因素，如母亲身高、生活环境、饮食习惯等作为随机误差，得到刻画两个变量之间关系的线性回归模型. 其中，随机误差是一个随机变量. 用x表示父亲身高，Y表示儿子身高，e表示随机误差，假定随机误差e的均值为0，方差为与父亲身高无关的定值σ2，则它们之间的关系可以表示为(1)我们称(1)式为Y关于x的一元线性回归模型. 用x表示父亲身高，Y表示儿子身高，e表示随机误差，则它们之间的关系可以表示为我们称(1)式为Y关于x的一元线性回归模型. 其中，Y称为因变量或响应变量，x称为自变量或解释变量；a和b为模型的未知参数，a称为截距参数，b称为斜率参数；e是Y与bx+a之间的随机误差. 模型中的Y也是随机变量，其值虽然不能由变量x的值确定，但是却能表示为bx+a与e的和(叠加)，前一部分由 x所确定，后一部分是随机的. 如果e=0，那么Y与x之间的关系就可用一元线性函数模型来描述.(1) 思考? 为什么要假设E(e)=0，而不假设其为某个不为0的常数? 因为误差是随机的，即取各种正负误差的可能性一样，所以它们均值的理想状态应该为0. 如果随机误差是一个不为0的常数α，则可以将α合并到截距项a中，否则模型无法确定，即参数没有唯一解. 另外，如果α不为0，则表示存在系统误差，在实际建模中也不希望模型有系统误差，即模型不存在非随机误差. 对于父亲身高x和儿子身高Y的一元线性回归模型(1),可以解释为父亲身高为xi的所有男大学生身高组成一个子总体，该子总体的均值为bxi +a，即该子总体的均值与父亲的身高是线性函数关系. 而对于父亲身高为 xi 的某一名男大学生，他的身高yi并不一定为b xi +a，它仅是该子总体的一个观测值，这个观测值与均值有一个误差项ei=yi －(bxi +a).(1) 思考?你能结合具体实例解释产生模型(1)中随机误差项的原因吗? 在研究儿子身高与父亲身高的关系时，产生随机误差e的原因有： (1)除父亲身高外，其他可能影响儿子身高的因素，比如母亲身高、生活环境、饮食习惯和锻炼时间等； (2)在测量儿子身高时，由于测量工具、测量精度所产生的测量误差； (3)实际问题中，我们不知道儿子身高和父亲身高的相关关系是什么，可以利用一元线性回归模型来近似这种关系，这种近似也是产生随机误差e的原因.精讲精练：1. 说明函数模型与回归模型的区别，并分别举出两个应用函数模型与回归模型的例子。 解析：函数模型刻画的是变量之间具有的