8.2.2 一元线性回归模型参数的最小二乘估计（第2课时）高二数学选择性必修第三册（人教A版2019）.pptxVIP

·选择性必修第三册·第八章成对数据的统计分析8.2.2一元线性回归模型参数的最小二乘估计（第二课时）

学习目标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）

情景导入8.2.2一元线性回归模型参数的最小二乘估计（第二课时）01

复习回顾，引入新知1.经验回归方程：我们将称为Y关于x的经验回归方程，也称经验回归函数或经验回归公式，其图形称为经验回归直线.这种求经验回归方程的方法叫做最小二乘法.2.最小二乘估计：经验回归方程中的参数计算公式为：

一元线性回归模型应用8.2.2一元线性回归模型参数的最小二乘估计（第一课时）02

应用新知经验表明，一般树的胸径（树的主干在地面以上1.3m处的直径）越大，树就越高由于测量树高比测量胸径困难，因此研究人员希望由胸径预测树高，在研究树高与胸径之间的关系时，某林场收集了某种树的一些数据（表8.2-3），试根据这些数据建立树高关于胸径的经验回归方程．例分析

应用新知解析以胸径为横坐标、树高为纵坐标作散点图，得到下图在图8.2-9中，散点大致分布在一条从左下角到右上角的直线附近，表明两个变量线性相关，并且是正相关，因此可以用一元线性回归模型刻画树高与胸径之间的关系.

应用新知解析

应用新知解析根据经验回归方程，由胸径的数据可以计算出树高的预测值（精确到0.1）以及相应的残差，如下表所示

应用新知以胸径为横坐标，残差为纵坐标，作残差图，得到下图观察残差表和残差图，可以看到，残差的绝对值最大是0.8，所有残差分布在以横轴为对称轴、宽度小于2的带状区域内．可见经验回归方程较好地刻画了树高与胸径的关系，我们可以根据经验回归方程由胸径预测树高．

应用新知???

非线性回归模型应用8.2.2一元线性回归模型参数的最小二乘估计（第一课时）03

探究新知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．当两个变量不呈线性相关关系时，依据样本点的分布选择合适的曲线方程来拟合数据，可通过变量代换，利用线性回归模型建立两个变量间的非线性经验回归方程．问题提出

探究新知问题画散点图：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.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

探究新知?将经验回归直线叠加到散点图，得到下图.

探究新知观察由图形可知，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.?

探究新知思考如何修改模型，以使其更好地反映散点的分布特征吗？??

探究新知令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/s11.8010.6010.4010.3010.2010.1010.009.95令x=ln(t-1895),则Y=c2x+c1.?

探究新知?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)，如图所示.我们发现，散点图中各散点都非常靠近②的图象，表明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.

决定系数8.2.2一元线性回归模型参数的最小二乘估计（第一课时）04

探究新知残差的平方和?编189619121921193019361956196019680.591-0.284-0.301-0.218-0.1960.1110.0920.205-0.0010.007-0.0120.015-0.0180.052-0.021-0.022?因此经验回归方程②的拟合效果更好。

探究新知决定系数R2???

探究新知