1.1.2回归分析的基本思想及其初步应用 教案

1 1. 1.2 回归分析的基本思想及其初步应用

课前预习学案

一、预习目标：回归分析的基本思想、方法及初步应用.

二、预习内容：

1.两个变量有线性相关关系且正相关，则回归直线方程中， 的系数 （ ）

A. B. C. D.

2.两个变量有线性相关关系且残差的平方和等于0，则（ ）

A.样本点都在回归直线上 B.样本点都集中在回归直线附近

C.样本点比较分散 D.不存在规律

课内探究学案

一、学习要求：通过典型案例的探究，进一步了解回归分析的基本思想、方法及初步应用.

学习重点：了解评价回归效果的三个统计量：总偏差平方和、残差平方和、回归平方和.

学习难点：了解评价回归效果的三个统计量：总偏差平方和、残差平方和、回归平方和.

二、学习过程

1．由例1知，预报变量（体重）的值受解释变量（身高）或随机误差的影响.

2．为了刻画预报变量（体重）的变化在多大程度上与解释变量（身高）有关？在多大程度上与随机误差有关？我们引入了评价回归效果的三个统计量：总偏差平方和、残差平方和、回归平方和.

3．教学总偏差平方和、残差平方和、回归平方和：

（1）总偏差平方和：所有单个样本值与样本均值差的平方和，即21()niiSSTyy.

残差平方和：回归值与样本值差的平方和，即21()niiiSSEyy.

回归平方和：相应回归值与样本均值差的平方和，即21()niiSSRyy.

（2）学习要领：①注意iy、iy、y的区别；②预报变量的变化程度可以分解为由解释变量引起的变化程度与残差变量的变化程度之和，即222111()()()nnniiiiiiiyyyyyy；③当总偏差平方和相对固定时，残差平方和越小，则回归平方和越大，此时模型的拟合效果越好；④对于多个不同的模型，我们还可以引入相关指数22121()1()niiiniiyyRyy来刻画回归的效果，它表示解释变量对预报变量变化的贡献率. 2R的值越大，说明残差平方和越小，也就是说模型拟合的效果越好.

第一课时 1.1回归分析的基本思想及其初步应用（一）

(共4课时)

教学要求：通过典型案例的探究，进一步了解回归分析的基本思想、方法及初步应用.

教学重点：了解线性回归模型与函数模型的差异，了解判断刻画模型拟合效果的方法－相关指数和残差分析.

教学难点：解释残差变量的含义，了解偏差平方和分解的思想.

教学过程：

一、复习准备：

1. 提问：“名师出高徒”这句彦语的意思是什么？有名气的老师就一定能教出厉害的学生吗？这两者之间是否有关？

2. 复习：函数关系是一种确定性关系，而相关关系是一种非确定性关系. 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，其步骤：收集数据作散点图求回归直线方程利用方程进行预报.

二、讲授新课：

1. 教学例题：

① 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下表所示：

编 号 1 2 3 4 5 6 7 8

身高/cm 165 165 157 170 175 165 155 170

体重/kg 48 57 50 54 64 61 43 59

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. （分析思路教师演示学生整理）

第一步：作散点图 第二步：求回归方程 第三步：代值计算

② 提问：身高为172cm的女大学生的体重一定是60.316kg吗？

不一定，但一般可以认为她的体重在60.316kg左右.

③ 解释线性回归模型与一次函数的不同

事实上，观察上述散点图，我们可以发现女大学生的体重y和身高x之间的关系并不能用一次函数ybxa来严格刻画（因为所有的样本点不共线，所以线性模型只能近似地刻画身高和体重的关系）. 在数据表中身高为165cm的3名女大学生的体重分别为48kg、57kg和61kg，如果能用一次函数来描述体重与身高的关系，那么身高为165cm的3名女在学生的体重应相同. 这就说明体重不仅受身高的影响还受其他因素的影响，把这种影响的结果e（即残差变量或随机变量）引入到线性函数模型中，得到线性回归模型ybxae，其中残差变量e中包含体重不能由身高的线性函数解释的所有部分. 当残差变量恒等于0时，线性回归模型就变成一次函数模型. 因此，一次函数模型是线性回归模型的特殊形式，线性回归模型是一次函数模型的一般形式.

知识改变命运，学习成就未来

欢迎各位老师踊跃投稿，稿酬丰厚 邮箱：zxjkw@

第 1 页 共 2 页 第二课时 1.1回归分析的基本思想及其初步应用（二）

教学要求：通过典型案例的探究，进一步了解回归分析的基本思想、方法及初步应用.

教学重点：了解评价回归效果的三个统计量：总偏差平方和、残差平方和、回归平方和.

教学难点：了解评价回归效果的三个统计量：总偏差平方和、残差平方和、回归平方和.

教学过程：

一、复习准备：

1．由例1知，预报变量（体重）的值受解释变量（身高）或随机误差的影响.

2．为了刻画预报变量（体重）的变化在多大程度上与解释变量（身高）有关？在多大程度上与随机误差有关？我们引入了评价回归效果的三个统计量：总偏差平方和、残差平方和、回归平方和.

二、讲授新课：

1. 教学总偏差平方和、残差平方和、回归平方和：

（1）总偏差平方和：所有单个样本值与样本均值差的平方和，即21()niiSSTyy.

残差平方和：回归值与样本值差的平方和，即21()niiiSSEyy.

回归平方和：相应回归值与样本均值差的平方和，即21()niiSSRyy.

（2）学习要领：①注意iy、iy、y的区别；②预报变量的变化程度可以分解为由解释变量引起的变化程度与残差变量的变化程度之和，即222111()()()nnniiiiiiiyyyyyy；③当总偏差平方和相对固定时，残差平方和越小，则回归平方和越大，此时模型的拟合效果越好；④对于多个不同的模型，我们还可以引入相关指数22121()1()niiiniiyyRyy来刻画回归的效果，它表示解释变量对预报变量变化的贡献率. 2R的值越大，说明残差平方和越小，也就是说模型拟合的效果越好.

2. 教学例题：

例2 关于x与Y有如下数据：

x 2 4 5 6 8

教学准备

1. 教学目标

1、能根据散点分布特点，建立不同的回归模型；了解有些非线性模型通过转化可以转化为线性回归模型

2、了解回归模型的选择，体会不同模型拟合数据的效果

2. 教学重点/难点

教学重点：通过探究使学生体会有些非线性模型通过等量变换、对数变换可以转化为线性回归模型

教学难点：如何启发学生“对变量作适当的变换”（等量变换、对数变换），变非线性为线性，建立线性回归模型

3. 教学用具

多媒体

4. 标签

教学过程

一、复习引入

【师】问题1：你能回忆一下建立回归模型的基本步骤？

【师】提出问题，引导学生回忆建立回归模型的基本步骤（选变量、画散点图、选模型、估计参数、分析与预测）

【生】回忆、叙述建立回归模型的基本步骤

【板演/PPT】 【师】问题2.能刻画回归模型效果的类别有哪些？它们各有什么特点？

【生】回忆思考

【板演/PPT】

刻画回归效果的方式

（1）残差图法

作图时纵坐标为残差，横坐标可以选为的样本编号，或身高数据，或体重的估计值等，这样作出的图形称为残差图．在残差图中，残差点比较均匀地落在水平的带状区域中，说明选用的模型比较合适，这样的带状区域的宽度越窄，说明模型拟合精度越高．

（2）残差平方和法

残差平方和，残差平方和越小，模型拟合效果越好．

（3）利用R2刻画回归效果

；R2表示解释变量对于预报变量变化的贡献率．R2越接近于1，表示回归的效果越好.

二、新知介绍

（1）回归模型选择比较不同模型拟合效果

【师】我国是世界产棉大国，种植棉花是我国很多地区农民的主要经济来源，棉花种植中经常会遇到一种虫害，就是红铃虫，为有效采取防止方法，有必要对红铃虫的产卵数和温度之间的关系进行研究，如图我们搜集了红铃虫的产卵数y和温度x之间的7组观测数据如下表：

【板书/PPT】

【师】 试着建立y与x之间的回归方程

【生】类比前面所学过的建立线性回归方程分步骤动手实施 【师】 教师巡视指导