1.1回归分析的基本思想及其初步应用（一）学习目标：（1）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.（2）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.（3）了解评价回归效果的两个统计量：总偏差平方和、残差平方和.学习重点：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.学习难点：解释随机误差和残差的含义.学习过程：一、课前准备（一）、复习必修3的“变量间的相关关系”内容，注意以下内容：1．相关关系：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叫做相关关系；2．函数关系中两个变量的关系是确定的，相关关系中的两个变量的关系是不确定的.3．两个变量的线性相关：（1）散点图：将样本中个数据点描在坐标系中得到的图形.（2）正相关与负相关：①正相关：散点图中的点散布在从左下角到右上角的区域；②负相关：散点图中的点散布在从左上角到右下角的区域.4.回归直线的方程：（1）如果散点图中的分布从整体上看大致在一条直线附近，就称这两个变量之间具有线性相关关系，这条直线叫做回归直线.（2）回归方程：回归直线对应的方程叫做回归直线的方程.（3）回归方程的推导过程：①假设已经得到两个具有线性相关关系的变量的一组数据，，，.②设所求回归方程为，其中、是待定参数.③由最小二乘法得，.其中回归方程的斜率，是截距.(二)研究相关关系和回归分析的意义：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.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、新课导学：1.几个需要了解的概念：（1）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；②残差平方和：回归值与样本值差的平方和，即；③回归平方和：相应回归值与样本均值差的平方和，即.（2）要注意的问题：①注意、、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；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.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.典型例题：【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12345678身高/cm16565157170175165155170体重/kg4857505464614359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.【解析】①求回归方程并预报体重：②提问：身高为172cm的女大学生的体重一定是60.316kg吗？答：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.答：事实上，观察上述散点图，我们可以发现女大学生的体重和身高之间的关系并不能用一次函数来严格刻画（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（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，其中残差变量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.【例2】关于与有如下数据：245683040605070为了对、两个变量进行统计分析，现有以下两种线性模型：，，试比较哪一个模型拟合的效果更好.【分析】既可分别求出两种模型下的总偏差平方和、残差平方和、回归平方和，也可分别求出两...
