非线性回归模型+课件-2024-2025学年高二下学期数学人教A版选择性必修第三册.pptxVIP

8.2一元线性回归模型第三课时8.2.3非线性回归人教A版选择性必修第三册第八章第二单元

课时目标1.进一步掌握一元线性回归模型参数的统计意义，会用相关统计软件.（重点）2.了解非线性回归模型.（难点）3.会通过分析残差和利用R2判断回归模型的拟合效果.（重点）

1.经验回归方程：?2.最小二乘估计：经验回归方程中的参数计算公式为：复习回顾，引入新知

1.非线性回归模型应用【问题提出】研究两个变量的关系时，依据样本点画出散点图，从整体上看，如果样本点没有分布在某个带状区域内，就称这两个变量之间不具有线性相关关系，此时不能直接利用经验回归方程来建立两个变量之间的关系．在大量的实际问题中，需要研究的两个变量不一定都呈现线性相关关系，它们之间可能呈现指数相关或对数相关等非线性相关关系.在应用中需要分析实际问题背景、观察散点图等进行判断.对于非线性模型，某些情况下，可以转化为一元线性回归模型.

（1）画散点图在图中，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.【例】人们常将男子短跑100m的高水平运动员称为“百米飞人”.下表给出了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散点图1.非线性回归模型应用

?将经验回归直线叠加到散点图，得到下图.1.非线性回归模型应用

由图形可知，第一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.?1.非线性回归模型应用观察

【追问1】如何修改模型，以使其更好地反映散点的分布特征？?1.非线性回归模型应用

（3）建立非线性回归方程令x=ln(t-1895)，通过x=ln(t-1895)，将年份变量数据进行变换，得到新的成对数据，如下表.编份/t18961912192119301936195619601968x0.002.833.263.563.714.114.174.29记录/s11.8010.6010.4010.3010.2010.1010.009.951.非线性回归模型应用??

1.非线性回归模型应用?直接观察法在同一坐标系中画出成对数据散点图、非线性经验回归方程②的图象(蓝色)以及经验回归方程①的图象(红色).非线性经验回归方程②对于原始数据的拟合效果远远好于经验回归方程①.（4）比较两个回归方程的拟合程度

（4）比较两个回归方程的拟合程度1.非线性回归模型应用残差分析——直接比较?编号12345678189619121921193019361956196019680.5910.1110.0920.2050.0070.015-0.0180.052观察各项残差的绝对值，发现经验回归方程②远远小于①，即经验回归方程②的拟合效果要远远好于①.

?1.非线性回归模型应用（4）比较两个回归方程的拟合程度残差分析——比较残差平方和

1.非线性回归模型应用（4）比较两个回归方程的拟合程度利用决定系数R2刻画回归效果.?与经验回归方程有关与经验回归方程无关R2越大，表示残差平方和越小，即模型的拟合效果越好；R2越小，表示残差平方和越大，即模型的拟合效果越差.方程①和②的R2分别为0.7325和0.9983，可见②的刻画效果比①好很多.显然0≤R2≤1，所以R2越接近1，则线性回归刻画的效果越好.

另外，我们还可以用新的观测数据来检验模型的拟合效果.事实上，我们还有1968年之后的男子短跑100m世界纪录数据，如下表所示.编号910111213141983198819911991199419969.939.929.909.869.859.84编号1516171819201999200520072008200820099.799.779.749.729.699.581.非线性回归模型应用

显然绿色散点分布在蓝色经验回归曲线的附近，远离红色经验回归直线，表明经验回归方程②对于新数据的顶报效果远远好于①.1.非线性回归模型应用将新的观测数据（绿色的散点）添加到原来的散点图中，再添加经验回归方程①所对应的经验回归直线（红色），以及经验回归方程