用最小二乘法求线性回归方程.docx
《用最小二乘法求线性回归方程.docx》由会员分享，可在线阅读，更多相关《用最小二乘法求线性回归方程.docx（11页珍藏版）》请在冰豆网上搜索。
用最小二乘法求线性回归方程
最小二乘法主要用来求解两个具有线性相关关系的变量的回归方程，该方法适用于求
解与线性回归方程相关的问题，如求解回归直线方程，并应用其分析预报变量的取值
等•破解此类问题的关键点如下：
1析数据，分析相关数据，求得相关系数r，或利用散点图判断两变量之间是否存在线性相关关系，若呈非线性相关关系，则需要通过变量的变换转化构造线性相关关系.
2建模型•根据题意确定两个变量，结合数据分析的结果建立回归模型.
3求参数•利用回归直线y=bx+a的斜率和截距的最小二乘估计公式，求出b，
a，的值.从而确定线性回归方程.
4求估值.将已知的解释变量的值代入线性回归方程y=bx+a中，即可求得y的
预测值.
注意:
回归直线方程的求解与应用中要注意两个方面：
一是求解回归直线方程时，利用样本点的中心（x，y）必在回归直线上求解相关参数的值；二是回归直线方程的应用，利用回归直线方程求出的数值应是一个估计值，不是真实值.
经典例题：
下图是某地区2000年至2016年环境基础设施投资额（单位：
亿元）的折线图.
240
220
200
180
160
140
120
100
80
60
40
20
0
为了预测该地区2018年的环境基础设施投资额，建立了与时间变量的两个线性回归模型•根据2000年至2016年的数据（时间变量的值依次为1,2.，……,17）建立模型①：
y=+;根据2010年至2016年的数据（时间变量的值依次为）建立模型②：
y=99+.
（1）分别利用这两个模型，求该地区2018年的环境基础设施投资额的预测
值；
（2）你认为用哪个模型得到的预测值更可靠并说明理由.
思路分析：
（1）两个回归直线方程中无参数，所以分别求自变量为2018时所对应的函数值，就得结果，
（2）根据折线图知2000到2009，与2010到2016是两个有明显区别的直线，且2010到2016的增幅明显高于2000到2009，也高于模型1的增幅，因此所以用模型2更能较好得到2018的预测.
解析：
（1）利用模型①，该地区2018年的环境基础设施投资额的预测值为
=-+X19=（亿元）.
利用模型②，该地区2018年的环境基础设施投资额的预测值为
=99+x9=（亿元）.
（2）利用模型②得到的预测值更可靠.理由如下：
（i）从折线图可以看出，2000年至2016年的数据对应的点没有随机散布在直
线y=-+上下，这说明利用2000年至2016年的数据建立的线性模型①不能很好地描述环境基础设施投资额的变化趋势.2010年相对2009年的环境基础设
施投资额有明显增加，2010年至2016年的数据对应的点位于一条直线的附近，这说明从2010年开始环境基础设施投资额的变化规律呈线性增长趋势，利用2010年至2016年的数据建立的线性模型=99+可以较好地描述2010年以后的环境基础设施投资额的变化趋势，因此利用模型②得到的预测值更可靠.
（ii）从计算结果看，相对于2016年的环境基础设施投资额220亿元，由模型
①得到的预测值亿元的增幅明显偏低，而利用模型②得到的预测值的增幅比较合理，说明利用模型②得到的预测值更可靠.
以上给出了2种理由，考生答出其中任意一种或其他合理理由均可得分.
总结：
若已知回归直线方程，则可以直接将数值代入求得特定要求下的预测值；若回归直线方程有待定参数，则根据回归直线方程恒过中心点求参数•
（2011年全国新课标2卷理19）
某地区2007年至2013年农村居民家庭人旳纯收入C单位:
F元）的数据如下表辛
年份
2007
2008
2009
2010
201i
2012
2013
'年份代号F
1
2
3
4
5
6
7
人均纯收入y
N9
3*3
3.6
£4
4,8
5.2
5.9
（I）求F关于f的线性回归方程帘
（U）利用（I）中的回归方程,分析2007年至2013年该地区农村居民家庭人均纯收入的变化情况，并预测诊地区2015年农村居民家庭人均纯收入.
附：
回归宜线的斜率和截距的最小二乘估计公式分别为；
*口右-金-丫）._一
线性回归方程是利用数理统计中的回归分析，来确定两种或两种以上变数间相互依赖的定量关系的一种统计分析方法之一，线性回归也是回归分析中第一种经过严格研究并在实际应用中广泛使用的类型。
按自变量个数可分为一元线性回归分析方程和多元线性回归分析方程。
线性方程不难，公式会直接给出，有时会出现在选择题，这部分难度同样是在于计算，刚开始学这部分知识的时候很多同学没有耐心计算，其实很简单的列个表格算就行了
利用题目公式:
（I）由题意得注：
二4,
一2.9十3.3+3.6+4.4+48十5.2十5.9虫「
y==43
7
旺_0._
得：
二28,£（人-嗔丁-刃二14
$■】f"l
b-0.5t\a=y—bf=4.3-（）.5x4=2-3
所求线性回归方程为：
+
（II）由（]）中的回归方程的斜率必=0.5>0可知,2007年至2013年该地区农村居民家庭人均纯收入逐渐增加.
令『=9得：
y=0.5x9+2.3=6,8,
预测该地区2015年农村居民家庭人均纯收入为6.8千元。
某公司要推出一种新产品，分6个相等时长的时段进行试销，并对卖出的产品进行跟踪以及收集顾客的评价情况（包括产品评价和服务评价），在试销阶段
共卖出了480件，通过对所卖出产品的评价情况和销量情况进行统计，一方面发现对该产品的好评率为5/6，对服务的好评率为，对产品和服务两项都没有好评有30件，另一方面发现销量和单价有一定的线性相关关系，具体数据如下表：
时段
'1
3
4
5
6
单价聶（元）
800
820
840
860
S80
900
销量y（件）
90
S4
83
80
75
68
⑴目京在犯错误的概率不超xio.ooi的前提下.认为产品好评利服务好评有关？
（2）该产品的成本是刊0元f件，预计在今后的销售中，销量和单价仍然服从这样的线性相关关系（＞,该公司如果想获得最大刑疵h此产品的定价应为多少元？
（参若公式；线性回归方程話氐打虫系数计算公式分别为
n
E（利-梵）
f（小）2
1=1
苴申n=a+h+c+d）
〔蓼考数据
P（K=>
k）
0.15
0.10
0.05
0.025
0.010
0.005
0.001
k
2.072
2.706
3.£41
5.024
6.635
7.879
10.828
S0
VXiVi=406600,匸雷U342000）n=ln=l
解：
⑴由題意可得产品好评和關务好评的22列联表*
眾务好评
服务没有好评
总计
产品好评
310
90
400
产品段有好评
50
30
80
总计
360
12C
480
其中1=310,b=90,c=50s.d=30,ad-l3c=4800s
■W^r
2
代入K’严、,得K2=8<10.828”
（a+b）（c+d）Ca+c）Jbfd）
二不能在犯错误的概率不超过0001的前提下，
认为产品好评和服务好评有关！
（2）设获得的刑润为诃元，
根据计算可彳昆匚=S50,y=30，
代入人回归方程得，2-0■昭2*
二w=（-O2x+25O）（x-500）=nOJx1+350x^125000;
此函数图象为开□向下，对称轴方程为x-875.
二当x=875时.w（at）取的最大值.
即该公司如果想获得最大利润<辱爭馳翔看
考点分析：
线性回归方程.
线性回归方程是高考新增内容，主要考查散点图、变量间的相关关系的判断以及线性回归方程的求法。
题干分析：
（1）由题意得到2X2列联表，由公式求出K2的观测值，对比参考表格得结论；
（2）求出样本的中心点坐标，计算回归方程的系数，写出利润函数w的解析式，求出w（x）的最大值以及对应的x的值.
解题反思:
高考对线性回归方程的考查力度逐步增加，以前只有很少题型出现，但在近几年高考试题中就很常见了，逐渐成为高考数学热点问题之一，由此可以看出这部分知识的重要性了。
3.（2017山东卷）为了研究某班学生的脚长x（单位：
厘米）和身高y（单位：
厘米）的
关系，从该班随机抽取10名学生，根据测量数据的散点图可以看出y与x之间
1010
有线性相关关系，设其回归直线方程为y=bx+a.已知右x=225，£y=1600,
b=4.该班某学生的脚长为24，据此估计其身高为（）
解析由已知得x=，y=160，
•••回归直线方程过样本点中心（x，y），且b=4，
Aj一A
•••160=4X+a,解得a=70.
•••回归直线方程为y=4x+70，当x=24时，b=166.故选C.
（2）（2016全国川卷）如图是我国2008年至2014年生活垃圾无害化处理量（单位：
亿吨）的折线图.
活力燈Je
注：
年份代码1〜7分别对应年份2008〜2014.
①由折线图看出，可用线性回归模型拟合y与t的关系，请用相关系数加以说
明；
②建立y关于t的回归方程（系数精确到，预测2016年我国生活垃圾无害化处
理量.
附注:
、~AAA
回归方程y=a+bt中斜率和截距的最小二乘估计公式分别为:
7
7
着（ti-t）（yi—y）=苕tiyi—t若yi=—4X=,所以r琲错误!
〜.
因为y与t的相关系数近似为，说明y与t的线性相关程度相当高，从而可以用线性回归模型拟合y与t的关系.
②由y=错误！
=及
（1）得错误！
=错误！
=错误！
AA
a=y—bt^—x4~.
、A
所以，y关于t的回归方程为y=+.
将2016年对应的t=9代入回归方程得：
y=+X9.
所以预测2016年我国生活垃圾无害化处理量约为亿吨.
探究提高1.求回归直线方程的关键及实际应用
（1）关键：
正确理解计算b,a的公式和准确地计算.
（2）实际应用：
在分析实际中两个变量的相关关系时，可根据样本数据作出散点图来确定两个变量之间是否具有相关关系，若具有线性相关关系，则可通过线性回归方程估计和预测变量的值•
⑵（2017唐山一模）某市春节期间7家超市的广告费支出x（万元）和销售额yi（万元）数据如下：
超市
A
B
C
D
E
F
G
广告费支出Xi
1
2
4
6
11
13
19
销售额yi
19
32
40
44
52
53
54
1若用线性回归模型拟合y与x的关系，求y关于x的线性回归方程；
2用对数回归模型拟合y与x的关系，可得回归方程$=12lnx+22,经计算得出线性回归模型和对数模型的R2分别约为和，请用R2说明选择哪个回归模型更合适，并用此模型预测A超市广告费支出为8万元时的销售额.
77
参数数据及公式：
x=8，y=42，i爭iyi=2794,£x2=708，
，—叶・_
b=门=亍ATJn2*0.7t
2—2
厶—理上
Mil
（1）解析tk~＞且P（W＞ko==，根据独立性检验思想这种血清能起到预防感冒的作用”出错的可能性不超过5%.
答案B
77
⑵解①Tx=8，y=42,着Xiyi=2794，苕好=708.
2791—7X8X42
~708-7X8-~
因此2=y—bx=42-X8.
所以，y关于x的线性回归方程是y=+.
②•••＜，
•••对数回归模型更合适.
当x=8时，y=12ln8+22=36In2+22=36X+22=万元.
•••广告费支出8万元时，预测A超市销售额为万元
升级会员 