8.2.2 一元线性回归模型参数的最小二乘估计 课件 （共27张PPT） 人教A版（2019）选择性必修第三册.pptxVIP

8.2.2一元线性回归模型参数的

最小二乘估计（2）;

对于响应变量Y,通过观测得到的数据为观测值,通过经验回归

方程得到的称为预测值,观测值减去预测值称为残差,即=y-

残差是随机误差的估计结果，通过对残差的分析可判断回归模型刻画数据的效果，以及判断原始数据中是否存在可疑数据等，这方面的工作称为残差分析.;

思考:儿子身高与父亲身高的关系，运用残差分析所得的一元线性回归模型的有效性吗？;

从上面的残差图可以看出，残差有正有负，残差点比较均匀地分布在横

轴的两边，可以判断样本数据基本满足一元线性回归模型对于随机误差的假设.所以，通过观察残差图可以直观判断样本数据是否满足一元线性回归模型的假设，从而判断回归模型拟合的有效性.;

(1)(2)

图(3)说明残

差的方差不是

一个常数，随

观测时间变大

而变大;

残差的性质：

1.残差等于观测值减预测值=y-

2.残差的平方和越小越好；

3.原始数据中的可疑数据往往是残差绝对值过大的数据；

4.对数据刻画效果比较好的残差图特征:残差点比较均匀的集中在水平带状区域内.;

1.关于残差图的描述错误的是(C)

A.残差图的横坐标可以是样本编号

B.残差图的横坐标也可以是解释变量或预报变量

C.残差点分布的带状区域的宽度越窄相关指数越小

D.残差点分布的带状区域的宽度越窄残差平方和越小

2.已知变量x,Y之间具有线性相关关系,其散点图如图所示,;

x;

得到的经验回归方程为=x+,则(B)

A.0,0B.0,0

C.0,0D.0,0

;;

来刻画世界纪录和世界纪录产生年份之间的关系.根据最小二乘法,由表中的数据得到经验回归方程为

1=-0+49将经验回归直线叠加到散点图，得到下图：;

第一个世界纪录所对应的散点远离经验回归直线，并且前后两时间段中

的散点都在经验回归直线的上方，中间时间段的散点都在经验回归直线的下方.

这说明散点并不是随机分布在经验回归直??的周围，而是围绕着经验回归直线有一定的变化规律，即成对样本数据呈现出明显的非线性相关的特征.;

仔细观察，可以发现散点更趋向于落在中间下凸且递减的某条曲线附近

回顾已有的函数知识，可以发现函数y=-lnx的图象具有类似的形状特征

注意到100m短跑的第一个世界纪录产生于1896年,因此可以认为散点是集中在曲线y=f(t)=c1+c2ln(t-1895)的周围，其中c1,c2为未知参数，且c20.;

对数据进行变化可得下表：

y=f(t)=c1+c2ln(t-1895)

这是一个非线性经验回归函数，如何利用成对数据估计参数c1,c2令x=ln(t-1895)，则Y=c2x+c1

对数据进行变化可得下表：;

由表中的数据得到经验回归方程为：

2=-0.4264398x+11.8012653

将经验回归直线叠加到散点图，如图所示：

上图表明,经验回归方程对于成对数据具有非常好的拟合精度.

将x=ln(t-1895)代入2=-0.4264398x+11.8012653,得

2=-0.4264398ln(t-1895)+11.8012653;

1=-0.4264398x+11.8012653①

2=-0.4264398ln(t-1895)+11.8012653②

(1)直接观察法.在同一坐标系中画出成对数据散点图、非线性经验回归方程②的图象(蓝色)以及经验回归方程①的图象(红色).;

1=-0.4264398x+11.8012653①

2=-0.4264398ln(t-1895)+11.8012653②（2)残差分析:残差平方和越小,模型拟合效果越好.

2≈0.669,Q2=2≈0.004

Q2明显小于Q1，说明非线性回归方程的拟合效果要优于线性回归方程.;

①和②的R2分别为0.7325和0.9983

R2越大，表示残差平方和越小，即模型的拟合效果越好；