8.2.1 一元线性回归模型（教学课件）-2024-2025学年高二数学（人教A版2019选择必修三）.pptx

·选择性必修第三册·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1.结合实例，了解一元线性回归模型的含义，了解模型参数的统计意义2.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.（重点）3.针对实际问题，会用一元线性回归模型进行预测．（难点）

情景导入8.2.1一元线性回归模型01

复习回顾，引入新知1.样本相关系数：2.相关系数的性质：①当r0时，称成对样本数据正相关；当r0时，称成对样本数据负相关.②|r|≤1；③当|r|越接近1时，成对数据的线性相关程度越强；当|r|越接近0时，成对数据的线性相关程度越弱；特别地，当|r|＝0时，成对数据的没有线性相关关系；当|r|＝1时，成对数据都落在一条直线上.

创设背景，引入新知恩格尔系数(Engel’sCoefficient)指的是居民家庭中食物支出占消费总支出的比重，是表示生活水平高低的一个指标．其计算公式：恩格尔系数＝食物支出金额÷总支出金额．一个家庭收入越少，家庭总支出中用来购买食物的支出所占的比例就越大，随着家庭收入的增加，家庭收入中或者家庭支出中用来购买食物的支出所占比例将会下降.恩格尔系数是预测生活水平高低的一个模型，那么当两个变量线性相关时，我们如何对成对样本数据建立一个模型进行预测？思考

一元线性回归模型8.2.1一元线性回归模型02

探究新知一般来说，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，得到的数据如下表所示.编号1234567891011121314父亲身高/cm174170173169182172180172168166182173164180儿子身高/cm176176170170185176178174170168178172165182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，如右图所示.由图可知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.

探究新知根据上表中的数据，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？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.编号1234567891011121314父亲身高/cm174170173169182172180172168166182173164180儿子身高/cm176176170170185176178174170168178172165182思考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.

探究新知我们称(1)式为Y关于x的一元线性回归模型.其中：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由于儿子的身高和父亲的身高身高有较强的线性相关，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.（随机误差是一个随机变量）?Y称为因变量或响应变量，x称为自变量或解释变量，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，其值虽不能由变量x的值确定，但却能表示为bx+a与e的和，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.

探究新知为什么要假设E(e）=0，而不假设其为某个不为0的常数？①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0.②如果随机误差时一个不为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.③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.思考

探究新知思考结合父亲与儿子身高的实例，说明回归模型(1)的意义？?E(Y)=E(bx+a+e)=E(bx+a)+E(e)=(bx+a)+0=bx+a思考对于父亲身高为xi的某一名男大学生，他的身高yi一定是bxi+a吗？?

探究新知思考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，