82一元线性回归模型及其应用（第二课时）课件-高二下学期数学人教A版选择性.pptx

8.2一元线性回归模型及其应用（第二课时）人教A版（2019）选择性必修三

素养目标1.针对实际问题，会用一元线性回归模型进行预测，提升逻辑推理能力（重点）2.通过对具体问题的进一步分析，能将某些非线性回归问题转化为线性回归问题并加以解决，提升数学运算能力（重点）3.通过具体实例，了解决定系数R2的意义和作用，提升逻辑推理能力（难点）

新课导入思考一下:观察图中四幅残差图，你认为哪一个残差满足一元线性回归模型中对随机误差的假定？(1)(2)(3)(4)

新课学习根据一元线性回归模型中对随机误差的假定，残差应是均值为0，方差为σ2的随机变量的观测值．图（1）显示残差与观测时间有线性关系，应将时间变量纳入模型;图（2）显示残差与观测时间有非线性关系，应在模型中加入时间的非线性函数部分;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；图（4）的残差比较均匀地分布在以取值为0的横轴为对称轴的水平带状区域内.可见，在图中，只有图（4）满足一元线性回归模型对随机误差的假设．

新课学习例经验表明，一般树的胸径（树的主干在地面以上1.3m处的直径）越大，树就越高．由于测量树高比测量胸径困难，因此研究人员希望由胸径预测树高．在研究树高与胸径之间的关系时，某林场收集了某种树的一些数据（如下表），试根据这些数据建立树高关于胸径的经验回归方程．编号123456胸径/cm18.120.122.224.426.028.3树高/m18.819.221.021.022.122.1编号789101112胸径/cm29.632.433.735.738.340.2树高/m22.422.623.024.323.924.7

新课学习?以胸径为横坐标，树高为纵坐标作散点图，得到下图．

新课学习在上图中，散点大致分布在一条从左下角到右上角的直线附近，表明两个变量线性相关，并且是正相关，因此可以用一元线性回归模型刻画树高与胸径之间的关系．用d表示胸径，h表示树高，根据最小二乘法，计算可得经验回归方程为相应的经验回归直线如图所示．

新课学习根据经验回归方程，由例题中所给表中胸径的数据可以计算出树高的预测值（精确到0.1）以及相应的残差，如下表所示．编号胸径/cm树高观测值/m树高预测值/m残差/m118.118.819.4-0.6220.119.219.9-0.7322.221.020.40.6424.421.020.90.1526.022.121.30.8628.322.121.90.2729.622.422.20.2832.422.622.9-0.3933.723.023.2-0.21035.724.323.70.61138.323.924.4-0.51240.224.724.9-0.2

新课学习以胸径为横坐标，残差为纵坐标，作残差图，得到下图．观察残差表和残差图，可以看到，残差的绝对值最大是0.8，所有残差分布在以横轴为对称轴，宽度小于2的带状区域内．可见经验回归方程较好地刻画了树高与胸径的关系，我们可以根据经验回归方程由胸径预测树高.

新课学习思考一下：人们常将男子短跑100m的高水平运动员称为＂百米飞人＂．表中给出了1968年之前男子短跑100m世界纪录产生的年份和世界纪录的数据．试依据这些成对数据，建立男子短跑100m世界纪录关于纪录产生年份的经验回归方程．编份18961912192119301936195619601968记录/s11.8010.6010.4010.3010.2010.1010.009.95

新课学习以成对数据中的世界纪录产生年份为横坐标，世界纪录为纵坐标作散点图，得到下图．在上图中，散点看上去大致分布在一条直线附近，似乎可用一元线性回归模型建立经验回归方程.

新课学习用Y表示男子短跑100m的世界纪录，t表示纪录产生的年份，利用一元线性回归模型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将经验回归直线叠加到散点图，得到下图（1）

新课学习探究思考：从上图中可以看到，经验回归方程（1）较好地刻画了散点的变化趋势．请再仔细观察图形，你能看出其中存在的问题吗？以经验回归直线为参照，可以发现经验回归方程的不足之处，以及散点的更为精细的分布特征．例如，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线的周围，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．

新课学习思考一下：你能对模型