回归分析的基本思想及其初步应用（优秀课件）.ppt

《回归分析的基本思想及其初步应用（优秀课件）.ppt》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、3.1回归分析的基本思想及其初步应用高二数学选修2-3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1020304050500450400350300·······施化肥量x15202530354045水稻

2、产量y330345365405445450455xy施化肥量水稻产量自变量取值一定时，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）：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？1020304050500450400350300·······发现：图中各点，大致分布

3、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？施化肥量x15202530354045水稻产量y330345365405445450455xy散点图施化肥量水稻产量1020304050500450400350300·······xy施化肥量水稻产量1、所求直线方程叫做回归直线方程；相应的直线叫做回归直线。2、对两个变量进行的线性分析叫做线性回归分析。1、回归直线方程2、求回归直线方程的步骤：（3）代入公式（4）写出直线方程为y=bx+a,即为所求的回归直线

4、方程。^3、回归分析的基本步骤:画散点图求回归方程预报、决策例题4从某大学中随机选出8名女大学生，其身高和体重数据如下表：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。分析：由于问题中要求根据身高预报体重，因此选取身高为自变量，体重为因变量．2.回归方程：1.散点图；探究？身高为172ｃｍ的女大学生的体重一定是60.316kg吗？如果不是,其原因是什么?解：散点图：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=

5、bx+a简单描述它们关系。探究：身高为172cm的女大学生的体重一定是60.316kg吗？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。其中：e是随机误差，均值E(e)=0，方差D(e)=σ2>0当随机误差e恒等于0时，线性回归模型就变成一次函数模型。即：一次函数模型是线性回归模型的特殊形式。由于随机误差e的均值为0，故采用方差来衡量随机误差的大小.产生随机误差项e的原因是什么？随机误差e的来源(可以推广到一般）：1、其它因素的影响：影响体重y的因素不只是身高x

6、，可能还包括遗传基因、饮食习惯、生长环境等因素；2、身高x的观测误差。3、所用确定性函数不恰当观测误差。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只能解析部分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为预报变量。残差数据点和它在回归直线上相应位置的差异称为相应于点（xi，yi）的残差。例：编号为6的女大学生，计算随机误差的效应（残差）残差平方和把每一个残差所得的值平方后加起来，用数学符号表示为：称为残差平方和在例1中，残

7、差平方和约为128.361。表1-4列出了女大学生身高和体重的原始数据以及相应的残差数据。残差分析与残差图的定义：我们可以通过残差来判断模型拟合的效果，判断原始数据中是否存在可疑数据，这方面的分析工作称为残差分析。我们可以利用图形来分析残差特性，作图时纵坐标为残差，横坐标可以选为样本编号，或身高数据，或体重估计值等，这样作出的图形称为残差图。残差图的制作及作用。坐标纵轴为残差变量，横轴可以有不同的选择；若模型选择的正确，残差图中的点应该分布在以横轴为心的带形区域；对于远离横轴的点，要特别注意。身高

8、与体重残差图异常点错误数据模型问题几点说明：第一个样本点和第6个样本点的残差比较大，需要确认在采集过程中是否有人为的错误。如果数据采集有错误，就予以纠正，然后再重新利用线性回归模型拟合数据；如果数据采集没有错误，则需要寻找其他的原因。另外，残差点比较均匀地落在水平的带状区域中，说明选用的模型计较合适，这样的带状区域的宽度越窄，说明模型拟合精度越高，回归方程的预报精度越高。显然，R2的值越大，说明残差平方和越小，也就是说模型拟合效果越好。R2越接近1，表示回归的效果越好（因为R2越接