数学2-3,3.1回归分析的基本思想及其初步应用
28页1、3.1 回归分析的基本思想 及其初步应用,比数学必3中“回归”增加的内容,必修统计 画散点图 了解最小二乘法的思想 求回归直线方程 ybxa 用回归直线方程解决应用问题,选修2-3统计案例 引入线性回归模型 ybxae 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、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,问题1:现实生活中两个变量间的关系有哪些?,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。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。,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.,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.,问题2:对于线性相关的两个变量用什么方法来刻划之间的关系呢?,2、最小二乘估计,最小二乘估计下的线性回归方程:,例1 从某大学中随机选出8名女大学生,其身高
2、和体重数据如下表:,求根据女大学生的身高预报体重的回归方程,并预报一名身高为172的女大学生的体重。,问题一:结合例1得出线性回归模型及随机误差,并且区分函数模型和回归模型。,1. 散点图; 2.回归方程:,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,身高为172的女大学生的体重一定是60.316kg吗?如果不是, 其原因是什么?,探究?,(1)由图形观察可以看出,样本点呈条状分布,身高和体重有比较好的线性相关关系,因此可以用线性回归方程刻画它们之间的关系。,(2)从散点图还可以看到,样本点散布在某一条直线的附近,而不是一条直线上,所以不能用一次函数来描述它们之间的关系。这时我们用下面的线性回归模型来描述身高和体重的关系:+其中和为模型的未知参数,e是y与 = bx + a 之间的误差, 通常称为随机误差。,其中a和b为模型的未知参数,e称为随机误差。,在线性回归模型(4)中,随机误差e的方差 越小,通过回归直线,预报真实值y的精度越高。随机误差是引起预报值 与真实值y之间的误差的原因之一,其大小取决于随机误差的方差。,另一方面,由于计算出来的 和 为截距
3、和斜率的估计值,它们与真实值a和b之间也存在误差,这种误差是引起预报值 与真实值y之间误差的另一个原因。,随机误差:,线性回归模型:,思考: 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、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。 以上三项误差越小,说明我们的回归模型的拟合效果越好。,函数模型与“回归模型”的差别:,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,问题二:在线性回归模型中,e是用bx+a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?,称为残差平方和。,表3-2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。,在研究两个变量间的关系时,首先要根据散点图来粗略判断它们是否线性相关, 是否可以用回归模型来拟合数据.,残差分析与残差图的定义:,然后,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
《数学2-3,3.1回归分析的基本思想及其初步应用》由会员w****i分享,可在线阅读,更多相关《数学2-3,3.1回归分析的基本思想及其初步应用》请在金锄头文库上搜索。
2024-04-11 25页
2024-04-11 37页
2024-04-11 28页
2024-04-11 31页
2024-04-11 36页
2024-04-11 29页
2024-04-11 22页
2024-04-11 27页
2024-04-11 34页
2024-04-11 32页