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问题1：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.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？最小二乘法估计下的线性回归方程：ˆˆˆybxa121()()ˆ()niiiniixxyybxxˆˆaybx1221niiiniixynxybxnx--=-=-=-ååaybx--=-niixnx11niiyny11回归直线必过样本点的中心),(yx比《数学3》中“回归”增加的内容数学３——统计1.画散点图2.了解最小二乘法的思想3.求回归直线方程y＝bx＋a4.用回归直线方程解决应用问题选修1-2——统计案例5.引入线性回归模型y＝bx＋a＋e6.了解模型中随机误差项e产生的原因7.了解相关指数R2和模型拟合的效果之间的关系8.了解残差图的作用9.利用线性回归模型解决一类非线性回归问题10.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。5943616454505748体重/kg170155165175170157165165身高/cm87654321编号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。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。解：（1)选取身高为自变量x，体重为因变量y，作散点图：(2）由散点图知道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。（3）根据最小二乘法估计和就是未知参数a和b的最好估计，ab于是有所以回归方程是0.84985.712yx所以，对于身高为172cm的女大学生，由回归方程可以预报其体重为0.84917285.71260.316()ykgnniiiii=1i=1nn222iii=1i=1(x-x)(y-y)xy-nxyb===0.849,(x-x)x-nxa=y-bx=-85.712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。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=bx+a简单描述它们关系。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，e称为随机误差。思考P4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，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。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。eyy随机误差ˆˆeyye的估计量样本点：1122(,),(,),...,(,)nnxyxyxy相应的随机误差为：,1,2,...,iiiiieyyybxain随机误差的估计值为：ˆˆˆˆ,1,2,...,iiiiieyyybxainˆie称为相应于点的残差.(,)iixy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？例：编号为6的女大学生，计算随机误差的效应（残差）61(0.84916585.712)6.627把每一个残差所得的值平方后加起来，用数学符号表示为：21()niiiyy称为残差平方和表1-2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。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。12,,,neee编号12345678身高165165157170175165155170体重/kg4857505464614359残差-6.3732.6272.419-4.6181.1376.627-2.8830.382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。问题三：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。我们可以用相关指数R2来刻画回归的效果，其计算公式是n2ii2i=1n2ii=1(y-y)R=1-(y-y)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越接近1，表示解析变量和预报变量的线性相关性越强）。总的来说：相关指数R2是度量模型拟合效果的一种指标。在线性模型中，它代表自变量刻画预报变量的能力。在例1中，解释变量对总效应约贡献了64%，即R2≈0.64，可以叙述为“身高解析了64%的体重变化”。问题四：结合例1思考：用回归方程预报体重时应注意什么？1.回归方程只适用于我们所研究的样本的总体。2.我们建立的回归方程一般都有时间性。3.样本取值的范围会影响回归方程的适用范围。4.不能期望回归方程得到的预报值就是预报变量的精确值。涉及到统计的一些思想：模型适用的总体；模型的时间性；样本的取值范围对模型的影响；模型预报结果的正确理解。（1）确定研究对象，明确哪个变量是解析变量，哪个变量是预报变量。（2）画出确定好的解析变量和预报变量的散点图，观察它们之间的关系（如是否存在线性关系等）。（3）由经验确定回归方程的类型（如我们观察到数据呈线性关系，则选用线性回归方程y=bx+a）.（4）按一定规则估计回归方程中的参数（如最小二乘法）。（5）得出结果后分析残差图是否有异常（个别数据对应残差过大，或残差呈现不随机的规律性，等等），过存在异常，则检查数据是否有误，或模型是否合适等。问题五：归纳建立回归模型的基本步骤练习1在一段时间内，某中商品的价格x元和需求量Y件之间的一组数据为：求出Y对的回归直线方程，并说明拟合效果的好坏。价格x1416182022需求量Y1210753解：18,7.4,xy555221111660,327,620,iiiiiiixyxyˆ7.41.151828.1.aˆ1.1528.1.yx回归直线方程为：5152215ˆ5iiiiixyxybxx26205187.41.15.1660518练习1在一段时间内，某中商品的价格x元和需求量Y件之间的一组数据为：求出Y对的回归直线方程，并说明拟合效果的好坏。价格x1416182022需求量Y1210753列出残差表为521ˆ()iiiyy0.3,521()iiyy53.2,5221521ˆ()1()iiiiiyyRyy0.994因而，拟合效果较好。ˆiiyyiyy00.3-0.4-0.10.24.62.6-0.4-2.4-4.4例2一只红铃虫的产卵数y和温度x有关。现收集了7组观测数据列于表中：（1）试建立产卵数y与温度x之间的回归方程；并预测温度为28oC时产卵数目。（2）你所建立的模型中温度在多大程度上解释了产卵数的变化？温度xoC21232527293235产卵数y/个711212466115325问题六：若两个变量呈现非线性关系，如何解决？（分析例2）假设线性回归方程为：ŷ=bx+a选模型由计算器得：线性回归方程为y=19.87x-463.73相关指数R2=r2≈0.8642=0.7464估计参数解：选取气温为解释变量x，产卵数为预报变量y。选变量所以，二次函数模型中温度解释了74.64%的产卵数变化。探索新知画散点图050100150200250300350036912151821242730333639方案1分析和预测当x=28时，y=19.87×28-463.73≈93一元线性模型方案2解答平方变换：令t=x2，产卵数y和温度x之间二次函数模型y=bx2+a就转化为产卵数y和温度的平方t之间线性回归模型y=bt+a温度21232527293235温度的平方t44152962572984110241225产卵数y/个711212466115325作散点图，并由计算器得：y和t之间的线性回归方程为y=0.367t-202.543，相关指数R2=0.802将t=x2代入线性回归方程得：y=0.367x2-202.543当x=28时，y=0.367×282-202.54≈85，且R2=0.802，所以，二次函数模型中温度解释了80.2%的产卵数变化。产卵数y/个0501001502002503003500150300450600750900105012001350t二元函数模型方案3解答温度xoC21232527293235z=lny1.9462.3983.0453.1784.1904.7455.784产卵数y/个71121246611532500.40.81.21.622.42.8036912151821242730333639xz当x=28oC时，y≈44，指数回归模型中温度解释了98.5%的产卵数的变化由计算器得：z关于x的线性回归方程为0.272x-3.849ˆ.ye22111221lnln()lnlnlnlnlncxcxycececcxecxc对数变换：在中两边取常用对数得21cxyce令，则就转换为z=bx+a.12ln,ln,zyacbc21cxyceˆz=0.272x-3.849,相关指数R2=0.98指数函数模型最好的模型是哪个?-200-1000100200300400-40-30-20-10010203040产卵数气温-50050100150200250300350400450-10-50510152025303540产卵数气温-10001002003004000510152025303540产卵数线性模型二次函数模型指数函数模型函数模型相关指数R2线性回归模型0.7464二次函数模型0.80指数函数模型0.98显然，指数函数模型最好！(2)2ˆ0.367202.543yx(1)0.2723.849ˆxye利用残差计算公式：0.2723.849(1)(1)ˆˆ,1,2,,7ixiiiieyyyei(2)(2)2ˆˆ0.367202.543,1,2,,7iiiiieyyyxi77.968-58.265-40.104-41.000-5.83219.40047.69634.675-13.3819.230-8.9501.875-0.1010.557325115662421117Y3