《1.1回归分析的基本思想及其初步应用》.pptx

1/50;1．1回归分析基本思想及其初步应用;【课标要求】

1．了解随机误差、残差、残差分析概念；

2．会用残差分析判断线性回归模型拟合效果；

3．掌握建立回归模型步骤；

4．经过对经典案例探究，了解回归分析基本思想方法

和初步应用．;【关键扫描】

1．利用散点图分析两个变量是否存在相关关系，求线性回归方程．(重点)

2．回归模型选择，尤其是非线性回归模型．(难点、易错点);自学导引

1．回归分析

回归分析是对含有两个变量进行统计分析一个惯用方法．

2．线性回归模型

(1)由散点图易发觉，样本点散布在某一条直线附近，而不是一条直线上，不能用一次函数y＝bx＋a描述它们之间关系，所以用线性回归模型y＝bx＋a＋e来表示，其中a、b为未知参数，e为．;6/50;(3)解释变量和预报变量

线性回归模型与一次函数模型不一样之处是增加了随机误差项e，因变量y由和共同确定，即自变量x只解释部分y改变，在统计中，我们也把自变量x称为解释变量，因变量y称为预报变量．;试一试：下表是x和y之间一组数据，则y关于x线性回归方程必过().

A．点(2,3) B．点(1.5,4)

C．点(2.5,4) D．点(2.5,5);3．刻画回归效果方式;越小;解释;想一想：回归分析中，利用线性回归方程求出函数值一定是真实值吗？为何？

提醒不一定是真实值，利用线性回归方程求值，在很多时候是个预报值，比如，人体重与身高存在一定线性关系，但体重除了受身高影响外，还受其它原因影响，如饮食，是否喜欢运动等．;4．非线性回归分析

(1)非线性相关关系：样本点分布在某一条曲线周围，而不是一条直线附近．我们就称这两个变量之间不含有线性相关关系而是非线性相关关系．

(2)非线性回归方程线性化

①y＝axn(其中a，x，y均为正值)(幂函数型函数)

lgy＝lga＋nlgx，令u＝lgy，v＝lgx，b＝lga，

则u＝nv＋b，图象为一直线．

②y＝cax(a＞0，c＞0)(指数型函数)

lgy＝xlga＋lgc，令u＝lgy，b＝lgc，d＝lga，

则u＝dx＋b，图象为一直线．;14/50;15/50;2．线性回归分析

(1)由线性回归方程给出是一个预报值而非准确值．

(2)随机误差主要起源

①线性回归模型与真实情况引发误差；

②省略了一些原因影响产生误差；

③观察与计算产生误差．

(3)残差分析是回归分析一个方法．

(4)用相关指数R2来刻画回归效果．

R2越大，意味着残差平方和越小，即模型拟合效果越好；R2越小，残差平方和越大，即模型拟合效果越差．;(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)画出确定好解释变量和预报变量散点图，观察它们之间关系(如是否存在线性关系等)．

(3)由经验确定回归方程类型(如我们观察到数据呈线性关系，则选取线性回归方程)．

(4)按一定规则(如最小二乘法)预计回归方程中参数．

(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展现不随机规律性等)．若存在异常，则检验数据是否有误，或模型是否适当等．;题型一求线性回归方程

【例1】某班5名学生数学和物理成绩以下表：;(1)画出散点图；

(2)求物理成绩y对数学成绩x回归直线方程；

(3)一名学生数学成绩是96，试预测他物理成绩．

[思绪探索]先利用散点图分析物理成绩与数学成绩是否线性相关，若相关再利用线性回归模型求解．;20/50;21/50;22/50;规律方法(1)散点图是定义在含有相关关系两个变量基础上，对于性质不明确两组数据，可先作散点图，在图上看它们有没有关系，关系亲密程度，然后再进行相关回归分析．

(2)求回归直线方程，首先应注意到，只有在散点图大致呈线性时，求出回归直线方程才有实际意义，不然，求出回归直线方程毫无意义．;【变式1】以下是某地搜集到新房屋销售价格y和房屋面积x数据：

(1)画出数据对应散点图；

(2)求线性回归方程，并在散点图中加上回归直线；

(3)据(2)结果预计当房屋面积为150m2时销售价格．;25/50;26/50;题型二线性回归分析

【例2】为研究重量x(单位：克)对弹簧长度y(单位：厘米)影响，对不一样重量6个物体进行测量，数据以下表所表示：

(1)作出散点图并求线性回归方程；

(2)求出R2；

(3)进行残差分析．;[思绪探索]作残差分析时，普通从以下几个方面给予说明：(1)散点图；