回归分析的基本思想及其初步应用.pptVIP

********************第1页，共24页，星期日，2025年，2月5日1、两个变量的关系不相关相关关系函数关系线性相关非线性相关问题1：现实生活中两个变量间的关系有哪些？相关关系：对于两个变量，当自变量取值一定时，因变量的取值带有一定随机性的两个变量之间的关系。第2页，共24页，星期日，2025年，2月5日2、现实生活中存在着大量的相关关系。如：人的身高与年龄；产品的成本与生产数量；商品的销售额与广告费；家庭的支出与收入。等等探索：水稻产量y与施肥量x之间大致有何规律？第3页，共24页，星期日，2025年，2月5日1020304050500450400350300·······发现：图中各点，大致分布在某条直线附近。探索2：在这些点附近可画直线不止一条，哪条直线最能代表x与y之间的关系呢？xy施化肥量水稻产量施化肥量x15202530354045水稻产量y330345365405445450455散点图第4页，共24页，星期日，2025年，2月5日最小二乘法：称为样本点的中心。第5页，共24页，星期日，2025年，2月5日1、已知回归直线斜率的估计值为1.23，样本点的中心为（4,5）,则回归直线方程为（）C练习：第6页，共24页，星期日，2025年，2月5日2、某考察团对全国10个城市进行职工人均工资水平x（千元）与居民人均消费水平y（千元）统计调查，y与x具有相关关系，回归方程y=0.66x+1.562，若某城市居民人均消费水平为7.675（千元），估计该城市人均消费额占人均工资收入的百分比约为…………（） A．83%B．72% C．67% D．66%A第7页，共24页，星期日，2025年，2月5日问题2：对于线性相关的两个变量用什么方法来刻划之间的关系呢？2、最小二乘估计最小二乘估计下的线性回归方程：第8页，共24页，星期日，2025年，2月5日例1从某大学中随机选取8名女大学生，其身高和体重数据如表1-1所示。5943616454505748体重/kg170155165175170157165165身高/cm87654321编号求根据一名女大学生的身高预报她的体重的回归方程，并预报一名身高为172cm的女大学生的体重。问题一：结合例1得出线性回归模型及随机误差。并且区分函数模型和回归模型。解：1、选取身高为自变量x，体重为因变量y，作散点图：第9页，共24页，星期日，2025年，2月5日2.回归方程：探究：身高为172cm的女大学生的体重一定是60.316kg吗？如果不是，你能解析一下原因吗？第10页，共24页，星期日，2025年，2月5日由于所有的样本点不共线，而只是散布在某一直线的附近，所以身高和体重的关系可以用线性回归模型来表示：注：随机误差e包含预报体重不能由身高的线性函数解释的所有部分。第11页，共24页，星期日，2025年，2月5日函数模型与“回归模型”的关系函数模型：因变量y完全由自变量x确定回归模型：预报变量y完全由解释变量x和随机误差e确定第12页，共24页，星期日，2025年，2月5日问题二：在线性回归模型中，e是用bx+a预报真实值y的随机误差，它是一个不可观测的量，那么应如何研究随机误差呢？结合例1除了身高影响体重外的其他因素是不可测量的，不能希望有某种方法获取随机误差的值以提高预报变量的估计精度，但却可以估计预报变量观测值中所包含的随机误差，这对我们查找样本数据中的错误和模型的评价极为有用，因此在此我们引入残差概念。第13页，共24页，星期日，2025年，2月5日问题三：如何发现数据中的错误？如何衡量随机模型的拟合效果？(1)我们可以通过分析发现原始数据中的可疑数据，判断建立模型的拟合效果。第14页，共24页，星期日，2025年，2月5日残差图的制作和作用：制作：坐标纵轴为残差变量，横轴可以有不同的选择.横轴为编号：可以考察残差与编号次序之间的关系，横轴为解释变量：可以考察残差与解释变量的关系，作用：判断模型的适用性若模型选择的正确，残差图中的点应该分布在以横轴为中心的带形区域.第15页，共24页，星期日，2025年，2月5日下面表格列