巴蜀数学高二下教案-8.2.1 一元线性回归模型及其应用（第一课时）.pdfVIP

§8.2.1一元线性回归模型及其应用

（第一课时）

课堂引入：

通过前面的学习我们已经了解到，根据成对样本数据的散点图和样本相关系数，可以推

断两个变量是否存在相关关系、是正相关还是负相关，以及线性相关程度的强弱等．

进一步地，如果能像建立函数模型刻画两个变量之间的确定性关系那样，通过建立适当

的统计模型刻画两个随机变量的相关关系，那么我们就可以利用这个模型研究两个变量之间

的随机关系，并通过模型进行预测．

下面我们研究当两个变量线性相关时，如何利用成对样本数据建立统计模型，并利用模

型进行预测的问题．

在下面的散点图中，样本数据点x,yi1,2,3,大致分布在一条直线附近，并且

ii



具有较强的线性相关关系，因此我们可以用一次函数来刻画x对y的影响，设ybxa．又



因为并不是所有点都在该直线上，所以y与实际值y之间存在误差，称为随机误差，用e表

示．

ybxae



于是两变量x与y的关系可以表示为2．

Ee0,De



我们称这个式子为y关于x的一元线性回归模型．其中，y称为因变量或响应变量，x

称为自变量或解释变量；a和b为模型的未知参数，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．当e0时，说明数据点恰好落在该直线上．

例如，在研究儿子身高与父亲身高的关系中，产生随机误差e的原因有：

1

（）除父亲身高外，其他可能影响儿子身高的因素，比如母亲身高、生活环境、饮食习惯

和锻炼时间等；

2

（）在测量儿子身高时，由于测量工具、测量精度所产生的测量误差；

3

（）实际问题中，我们不知道儿子身高和父亲身高的相关关系是什么，可以利用一元线性

回归模型来近似这种关系，这种近似关系也是产生随机误差e的原因．

既然具有线性相关的两个变量x和y，可以建立一元线性回归模型ybxae．那么，

我们自然关心的是这条直线方程如何求出？

利用散点图，我们可以画出很多条直线，哪一条最好呢？

显然，对于n对样本数据点x,y,x,y,,x,y，由ybxaei1,2,,n

1122nniii

可得，eybxa，当e越小时，表示点x,y与这条直线越接近．

iiiiii

nn

我们用eybxa来刻画样本数据点与直线的“整体接近程度”．在这里，我



iii

i1i1

n

们可以把ybxa看成这n个点到直线的竖直距离之和．