文科数学回归分析的基本思想及其初步应用.ppt

思考：相关关系与函数关系有怎样的不同？ 函数关系中的两个变量间是一种确定性关系 相关关系是一种非确定性关系 比《数学3》中“回归”增加的内容 数学３——统计 画散点图 了解最小二乘法的思想 求回归直线方程 y＝bx＋a 用回归直线方程解决应用问题 选修1-2——统计案例 引入线性回归模型 了解模型中随机误差项e产生的原因 了解相关指数 R2 和模型拟合的效果之间的关系 了解残差图的作用 利用线性回归模型解决一类非线性回归问题 正确理解分析方法与结果 * * 1.1回归分析的基本思想及其初步应用 必修3(第二章 统计)知识结构 收集数据 (随机抽样) 整理、分析数据估计、推断 简单随机抽样 分层抽样 系统抽样 用样本估计总体 变量间的相关关系 用样本的频率分布估计总体分布 用样本数字特征估计总体数字特征 线性回归分析 1、两个变量的关系 不相关 相关关系 函数关系 线性相关 非线性相关 现实生活中两个变量间的关系有哪些呢？ 相关关系：对于两个变量，当自变量取值一定时，因变量的取值带有一定随机性的两个变量之间的关系。 函数关系是一种理想的关系模型 相关关系在现实生活中大量存在，是更一般的情况 2、最小二乘估计(使得样本数据的点到回归直线的距离的 平方和最小的方法叫最小二乘法) 最小二乘估计下的线性回归直线方程： 回归直线必过样本点的中心 线性回归方程 中， 的意义是x每增加一个单位，y就平均增加 个单位 C 3、回归分析的基本步骤: 画散点图 求回归方程 预报、决策 这种方法称为回归分析. 回归分析是对具有相关关系的两个变量进行统计 分析的一种常用方法. 回归分析知识结构图 问题背景分析 线性回归模型 两个变量线性相关 最小二乘法 两个变量非线性相关 非线性回归模型 残差分析 散点图 应用 注：虚线表示高中阶段不涉及的关系 选修1-2——统计案例 引入线性回归模型 了解模型中随机误差项e产生的原因 了解相关指数 R2 和模型拟合的效果之间的关系 了解残差图的作用 利用线性回归模型解决一类非线性回归问题 正确理解分析方法与结果 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1-1所示。 59 43 61 64 54 50 57 48 体重/kg 170 155 165 175 170 157 165 165 身高/cm 8 7 6 5 4 3 2 1 编号 求根据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。 解：选取身高为自变量x，体重为因变量y，作散点图： 探究：身高为172cm的女大学生的体重一定是60.316kg吗？如果不是，你能解析一下原因吗？ 答：用这个回归方程不能给出每个身高为 172cm的女大学生的体重的预测值，只能给出她们平均体重的估计值。 由于所有的样本点不共线，而只是散布在某一直线的附近，所以身高和体重的关系可以用线性回归模型来表示： 其中a和b为模型的未知参数，e称为随机误差. 函数模型与“回归模型”的关系 函数模型：因变量y完全由自变量x确定 回归模型： 预报变量y完全由解释变量x和随机误差e确定 注：e 产生的主要原因： 1、忽略了其它因素的影响：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。 思考:产生随机误差项e的原因是什么？ 在线性回归模型中，e是用 预报真实值y的随机误差,它是一个不可观测的量，那么应如何研究随机误差呢？ 残差：一般地，对于样本点 它们的随机误差为 其估计值为 ， 称为相应于点 的残差 如何发现数据中的错误？如何衡量随机模型的拟合效果？ 残差图的制作和作用： 制作： 坐标纵轴为残差变量，横轴可以有不同的选择. 横轴为编号：可以考察残差与编号次序之间的关系， 常用于调查数据错误. 横轴为解释变量：可以考察残差与解释变量的关系， 常用于研究模型是否有改进的余地. 作用： 判断模型的适用性若模型选择得正确， 残差图中的点应该分布在以横轴为中心的带形区域. 下面表格列出了女大学生身高和体重的原始数据以及相应的残