内容正文:
人教A版高中数学选择性必修第三册
8.2.2一元线性回归模型参数的最小二乘估计
最小二乘法
从数据中寻找规律的数学魔法
第八章 成对数据的统计分析
开篇引入:遗传的奥秘
我们常说“龙生龙,凤生凤”。那么,在身高这件事上,是不是父母越高,孩子就一定越高呢?
由上节课一元线性回归模型的学习,我们知道儿子身高 y与父亲身高 x 线性相关,关系式可以写成:
生活经验告诉我们,当父亲的身高较高时,儿子的身高通常也较高.
y=bx+a+e
随机误差e
根据所得到的关系式,你能估计父亲身高为176cm时,儿子身高约是多少?
寻找数据背后的“黄金直线”
思考一下:
有很多条直线都可以大致穿过这些散点。那么,哪一条才是最“合理”、“最优”的呢?我们评判“最优”的标准是什么?
14名男大学生的身高及其父亲的身高,得到的数据如下表所示.
编号 1 2 3 4 5 6 7 8 9 10 11 12 13 14
父亲身高/cm 174 170 173 169 182 172 180 172 168 166 182 173 164 180
儿子身高/cm 176 176 170 170 185 176 178 174 170 168 178 172 165 182
我们先用散点图对上面的数据进行分析。
是让直线穿过尽可能多的点,作为评判标准吗?
是让直线上方和下方的点数量看起来差不多吗?
有没有一种量化方法,让我们精准的找到这条“黄金直线”?
答案:最小二乘法 (Method of Least Squares)
答案:最小二乘法 (Method of Least Squares)
新知探究:经验回归方程
💡 核心思想:
01.计算每个数据点到假想直线的垂直距离(“残差”或“误差”)。
02.将所有误差进行平方后求和。
03.寻找一条直线,使得这个“误差平方和”达到最小。
💡 结论:这条使得误差平方和最小的直线,就是我们要找的最优拟合线 (Best Fit Line)
可令n个样本点与直线的竖直距离之和最小
y=bx+a
由yi=bxi+a+ei (i=1, 2, ‧‧‧, n),得
因此可以用这n个竖直距离之和 来刻画各样本观测数据与直线 的“整体接近程度”.
新知探究:经验回归方程
最小二乘法
新知探究:经验回归方程
经验回归方程
新知探究: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,利用该公式求得的 叫做参数b, a的最小二乘估计.
这里的“二乘”是平方的意思.
其中:
新知探究:经验回归方程
编号 1 2 3 4 5 6 7 8 9 10 11 12 13 14
父亲身高/cm 174 170 173 169 182 172 180 172 168 166 182 173 164 180
儿子身高/cm 176 176 170 170 185 176 178 174 170 168 178 172 165 182
对于上表中的数据,利用公式(2)可以计算出
得到儿子身高Y关于父亲身高x的经验回归方程为
由经验回归方程可以预测儿子的身高。
根据所得到的关系式,你能估计父亲身高为176cm时,儿子身高约是多少?
当x=176时 ,
=0.839x176+28.957
当x=176时, ,如果一位父亲身高为176cm,他儿子长大后身高一定能长到177cm吗?为什么?
典例解析
x 3 4 5 6
y 2.5 3 4 4.5
(1)请画出上表数据的散点图;
典例解析
解: (1)由题设所给数据可
得散点图,如图.
(1)作出散点图,从直观上分析数据间是否存在线性相关关系;
(4)写出经验回归方程并对实际问题作出估计.
求经验回归方程的基本步骤
方法归纳
1.一次考试中,某班学生数学成绩均在90分以上,其中6名学生的数学、物理成绩如下表:
(1)根据上表中学生的数学、物理成绩绘制散点图;
(2)根据这些数据建立物理成绩y关于数学成绩x的经验回归直线方程;
(3)若某位同学的数学成绩为122分,估计他的物理成绩.
巩固练习
解:
典例
2.下表是x和y之间的一组数据,则y关于x的经验回归方程必过( ).
x 1 2 3 4
y 1 3 5 7
A.点(2,3) B.点(1.5,4)
C.点(2.5,4) D.点(2.5,5)
c
巩固练习
巩固练习
气温 18 13 10 -1
用电量 (度) 24 34 38 64
68
3.
课堂小结
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.
1. 经验回归方程:
2. 最小二乘估计:
经验回归方程中的参数 计算公式为:
$