8.2.1一元线性回归模型PPT【新教材 新思维高中数学】-2021-2022学年下学期高二数学同步教学（人教A版（2019）选择性必修第三册）.pptxVIP

第八章成对数据的统计分析8.2.1一元线性回归模型

学习目标能通过具体实例说明一元线性回归模型修改的依据与方法.

情景引入通过前面的学习我们已经了解到，根据成对样本数据的散点图和样本相关系数，可以推断两个变量是否存在相关关系、是正相关还是负相关，以及线性相关程度的强弱等.如果能像建立函数模型刻画两个变量之间的确定性关系那样，通过建立适当的统计模型刻画两个随机变量的相关关系，那么我们就可以利用这个模型研究两个变量之间的随机关系，并通过模型进行预测.

新知探究探究:生活经验告诉我们,儿子的身高与父亲的身高相关.一般来说,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.编号1234567891011121314父亲身高/cm174170173169182172180172168166182173164180儿子身高/cm176176170170185176178174170168178172165182

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/cm174170173169182172180172168166182173164180儿子身高/cm176176170170185176178174170168178172165182表中的数据，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.可见儿子的身高不是父亲身高的函数同样父亲的身高也不是儿子身高的函数，所以不能用函数模型来刻画.

思考：从成对样本数据的散点图和样本相关系数可以发现，散点大致分布在一条直线附近表明儿子身高和父亲身高有较强的线性关系.我们可以这样理解，由于有其他因素的存在，使儿子身高和父亲身高有关系但不是函数关系.那么影响儿子身高的其他因素是什么？影响儿子身高的因素除父亲的身外，还有母亲的身高、生活的环境、饮食习惯、营养水平、体育锻炼等随机的因素，儿子身高是父亲身高的函数的原因是存在这些随机的因素.

?

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.

问题1.你能结合父亲与儿子身高的实例，说明回归模型①的意义？①?

问题2.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？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，这种近似关系也是产生随机误差e的原因.

知识应用例.将图中的点按父亲身高的大小次序用折线连起来，所得到的图像是一个折线图，可以用这条折线图表示儿子身高和父亲身高之间的关系吗？

解析：不能。一是父亲的身高与儿子的身高之间是随机关系，不是函数关系；二是这组数据仅是总体的一个样本，不一定能很好地描述两个变量之间的关系。

练：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函数关系，是一种确定性的关系。回归模型刻画的是变量之间具有的相关关系，不是一种确定性关系，即回归模型刻画的是两个变量之间的随机关系。举例：路程与速度的关系、正方体体积与边长的关系可以应用函数模型刻画，体重与身高的关系、冷饮销量与气温的关系可以用回归模型刻画。

本节内容结束谢谢！