高中数学回归分析.pptVIP

高中数学回归分析第1页，共21页，星期日，2025年，2月5日问题1：正方形的面积y与正方形的边长x之间的函数关系是y=x2确定性关系问题2：某水田水稻产量y与施肥量x之间是否-------有一个确定性的关系？例如：在7块并排、形状大小相同的试验田上进行施肥量对水稻产量影响的试验，得到如下所示的一组数据：施化肥量x15202530354045水稻产量y330345365405445450455复习、变量之间的两种关系第2页，共21页，星期日，2025年，2月5日自变量取值一定时，因变量的取值带有一定随机性的两个变量之间的关系叫做相关关系。1、定义：1）：相关关系是一种不确定性关系；注对具有相关关系的两个变量进行统计分析的方法叫回归分析。2）：第3页，共21页，星期日，2025年，2月5日2、回归分析的内容与步骤：统计检验通过后，最后是利用回归模型，根据自变量去估计、预测因变量。回归分析通过一个变量或一些变量的变化解释另一变量的变化。其主要内容和步骤是：首先根据理论和对问题的分析判断，将变量分为自变量和因变量；其次，作出散点图，设法找出合适的数学方程式（即回归模型）描述变量间的关系；由于涉及到的变量具有不确定性，接着还要对回归模型进行统计检验；第4页，共21页，星期日，2025年，2月5日最小二乘法：其中回归直线过样本点的中心称为样本点的中心第5页，共21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所示。编号12345678身高/cm165165157170175165155170体重/kg4857505464614359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。案例1：女大学生的身高与体重解：1、选取身高为自变量x，体重为因变量y，作散点图：2、由散点图知道身高和体重有比较好的线性相关关系，因此可以用线性回归方程刻画它们之间的关系。第6页，共21页，星期日，2025年，2月5日2.回归方程：预测身高为x=172cm的女生体重为：第7页，共21页，星期日，2025年，2月5日案例1：女大学生的身高与体重1、其它因素的影响：影响身高y的因素不只是体重x，可能还包括遗传基因、饮食习惯、生长环境等因素；2、用线性回归模型近似真实模型所引起的误差；3、身高y的观测误差。当以上其他因素造成的误差很小时，模型的拟合效果越好从散点图还看到，样本点散布在某一条直线的附近，而不是在一条直线上，所以不能用一次函数y=bx+a描述它们关系。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8页，共21页，星期日，2025年，2月5日我们可以用下面的线性回归模型来表示：y=bx+a+e，其中a和b为模型的未知参数，e称为随机误差。第9页，共21页，星期日，2025年，2月5日函数模型与回归模型之间的差别函数模型：回归模型：线性回归模型y=bx+a+e增加了随机误差项e，因变量y的值由自变量x和随机误差项e共同确定，即自变量x只能解释部分y的变化。在统计中，我们也把自变量x称为解释变量，因变量y称为预报变量。第10页，共21页，星期日，2025年，2月5日5943616454505748体重/kg170155165175170157165165身高/cm87654321编号例如，编号为6的女大学生的体重并没有落在水平直线上，她的体重为61kg。解释变量（身高）和随机误差共同把这名学生的体重从54.5kg“推”到了61kg，相差6.5kg，所以6.5kg是解释变量和随机误差的组合效应。用这种方法可以对所有预报变量计算组合效应。数学上，把每个效应（观测值减去总的平均值）的平方加起来，即用表示总的效应，称为总偏差平方和。在例1中，总偏差平方和为354。54.5kg第11页，共21页，星期日，2025年，2月5日由于解释变量和随机误差的总效应（总偏差平方和）为354，而随机误差的效应为128.361，所以解释变量的效应为解释变量和随机误差的总效应（总偏差平方和）=解释变量的效应（回归平方和）+随机误差的效应（残差平方和）354-128.361=225.639这个值称为回归平方