2026高中选修2-3《回归分析》同步练习

202XLOGO一、前言演讲人2026-03-07目录01.前言07.作业03.新知识讲授05.互动02.教学目标04.练习06.小结08.致谢2026高中选修2-3《回归分析》同步练习01前言前言站在2026年的讲台上，看着眼前这些年轻的面孔，我不禁陷入沉思。这是一个数据爆炸的时代，也是人工智能深度介入我们生活的时代。作为一名数学教育工作者，我常在思考，当算法已经能够以毫秒级的速度处理海量数据并自动拟合出最优模型时，我们还需要教学生去推导回归方程吗？我的答案是肯定的，而且比以往任何时候都更加坚定。这不仅仅是为了应付考试，更是为了赋予他们一种透过现象看本质的思维方式。回归分析，这门关于变量之间关系的艺术，不仅仅是几个枯燥的数学公式，它更是一把钥匙，帮我们打开理解世界复杂关联的大门。今天，我们要同步练习的，正是选修2-3中的核心篇章——《回归分析》。这不仅仅是数字的运算，更是一场关于“预测”、“误差”与“局限”的深度对话。前言在这个章节的练习中，我希望大家不要把自己仅仅当作做题机器，而要把自己看作是一个数据侦探。我们需要去观察散点图的形态，去感受相关系数的冷暖，去理解最小二乘法背后的几何直觉。准备好了吗？让我们翻开这一页，去探寻变量之间那些隐秘的联系。02教学目标教学目标在开始具体的练习之前，我们需要明确这堂课的航向。回归分析的学习，不仅仅是技能的习得，更是思维的重塑。首先，在知识与技能层面，我们要达到的目标非常具体。我们要熟练掌握散点图的绘制方法，能够通过肉眼观察判断两个变量之间是否存在线性相关关系。我们要理解相关系数$r$的统计学意义，知道$r$的取值范围以及它如何反映相关的强度与方向。更重要的是，我们要深刻理解最小二乘法（LeastSquaresMethod）的原理，不仅仅是记住公式$\hat{b}=\frac{S_{xy}}{S_{xx}}$，而是要明白为什么我们要“最小化误差的平方”。我们要能够正确建立一元线性回归方程$\hat{y}=\hat{b}x+\hat{a}$，并学会利用这个方程进行合理的预测。同时，残差分析是检验模型有效性的关键，我们必须掌握残差图的绘制与解读，这是区分“好模型”与“坏模型”的分水岭。教学目标其次，在过程与方法层面，我希望大家能经历“收集数据—分析数据—建立模型—检验模型”的完整数学建模过程。我们要学会用数学的语言去描述现实世界中的模糊关系，从混沌的原始数据中提炼出有序的规律。在这个过程中，我们要培养批判性思维，学会质疑数据的来源，学会审视模型的适用范围。最后，在情感态度与价值观层面，回归分析能教会我们敬畏自然与规律。我们要认识到，世界上不存在绝对完美的线性关系，任何模型都是对现实的近似。我们要学会接受误差，理解“预测”的本质是带有不确定性的冒险。这种对“不确定性”的科学态度，将是伴随你们一生的宝贵财富。03新知识讲授新知识讲授好了，理论铺垫得差不多了，让我们把目光聚焦到具体的知识点上。这一部分是整个章节的灵魂，也是我们在练习中需要重点攻克的堡垒。散点图：数据的“第一印象”当我们拿到一组数据时，不要急着拿笔算。先画图。画一个直角坐标系，横轴设为自变量$x$，纵轴设为因变量$y$，把数据点一个个标上去。这就是散点图。这就像是在看一个人的脸，虽然细节决定成败，但第一印象往往最直观。如果这些点大致分布在一条直线附近，我们就可以大胆地猜测它们之间存在线性相关关系。如果点云像一团乱麻，毫无规律可言，那么回归分析可能就不适用了。记得，画图是直觉的起点。2.相关系数$r$：关系的“温度计”有了散点图，我们还需要一个数字来量化这种关系的强弱。这就是相关系数$r$。它介于$-1$和$1$之间。$r>0$表示正相关，即一个变量增，另一个也增；$r<0$表示负相关，即此消彼长。散点图：数据的“第一印象”这里有个容易混淆的点，大家要注意：$r$的绝对值越大，说明线性关系越强。当$r$接近1时，我们可以说变量之间“高度相关”；当$r$接近0时，说明几乎不存在线性关系。但我要特别强调，相关系数只能衡量线性关系，如果两个变量之间其实存在非线性关系（比如抛物线），$r$可能会很小，但这并不代表它们之间没有关系。最小二乘法：寻找“最短路径”接下来是重头戏——回归方程。我们如何画出那条“最佳”的直线？直觉告诉我们，这条直线应该位于所有数据点的中间，让所有点离它最近。但是，“最近”怎么定义？我们定义点到直线的距离为“误差”。如果我们简单地求误差的和，正负误差会相互抵消，这毫无意义。于是，聪明的数学家们想了个办法：把误差平方，然后再求和，最后让这个平方和最小。这就是最小二乘法。你可以把它想象成一个几何问题：在散点图中，我们要找一条直线，使得所有点到这条直线的垂直距离的平方和最小。这个几何直观非常关键，它让你在计算时更有底气。公式虽然复杂，但逻辑很简单：我们要通过数学手段，找到那个让“遗憾”最小化的解。123回归方程的建立根据最小二乘法，我们可以推导出斜率$\hat{b}$和截距$\hat{a}$的计算公式。这里涉及到几个统计量的计算，比如离差平方和$S_{xx}$、离差积之和$S_{xy}$等。在实际的考试或练习中，我们往往借助计算器或软件来完成这些繁杂的运算，但我们必须理解每一个符号背后的含义。残差分析：模型的“体检报告”模型建好了，就一定完美吗？不一定。这时候，残差图就派上用场了。残差就是实际观测值与模型预测值之间的差值。如果模型是完美的，那么残差图上的点应该是在横轴上下随机分布的，没有明显的规律。如果你发现残差图呈现出某种周期性波动，或者随着$x$的增大，误差越来越大（异方差性），那就说明我们的线性假设可能有问题，或者数据中存在未被捕捉的规律。04练习练习理论讲得再透彻，不如动手算一算。现在，让我们进入实战演练环节。我会抛出几个典型的题目，带你一步步拆解。【例题1：散点图与相关系数】某电商平台的运营数据表明，随着广告投入的增加，产品的销量也随之上升。下表给出了过去10个月的广告支出（单位：万元）与对应销量（单位：万件）：广告支出$x$10152025303540【例题1：散点图与相关系数】45015502销量$y$031204180525063207380845095010【例题1：散点图与相关系数】在右侧编辑区输入内容52在右侧编辑区输入内容58在右侧编辑区输入内容65在右侧编辑区输入内容72在右侧编辑区输入内容问题：在右侧编辑区输入内容1.请画出散点图，并判断$x$与$y$之间是否存在线性相关关系。【解析与步骤】2.计算相关系数$r$，并说明其统计学意义。【例题1：散点图与相关系数】1.画图与判断：我建议大家在草稿纸上画图。你会发现，随着$x$的增加，$y$也稳步增加，点云呈现明显的上升趋势，分布在一条直线的附近。因此，我们初步判断存在较强的正相关关系。2.计算$r$：计算相关系数需要用到公式：$$r=\frac{\sum(x_i-\bar{x})(y_i-\bar{y})}{\sqrt{\sum(x_i-\bar{x})^2\sum(y_i-\bar{y})^2}}$$在实际操作中，为了简化计算，我们通常使用变形公式：$$r=\frac{n\sumx_iy_i-(\sumx_i)(\sumy_i)}{\sqrt{[n\sumx_i^2-(\sumx_i)^2][n\sumy_i^2-(\sumy_i)^2]}}$$【例题1：散点图与相关系数】让我们快速心算一下数据特征：$x$和$y$都是等差数列，增长趋势一致，且数据点排列整齐。这预示着$r$的值会非常接近1。经过计算，我们可以得出$r\approx0.999$。这简直接近完美了！这意味着广告支出与销量之间存在极强且高度显著的线性关系。【例题2：回归方程的求解】继续沿用上题的数据。已知$\bar{x}=32.5$，$\bar{y}=42.3$，且计算得出$S_{xx}=825$，$S_{xy}=637.5$。求线性回归方程。【解析与步骤】回归方程的形式是$\hat{y}=\hat{b}x+\hat{a}$。【例题1：散点图与相关系数】首先求斜率$\hat{b}$：$$\hat{b}=\frac{S_{xy}}{S_{xx}}=\frac{637.5}{825}=0.7714...$$为了精确，我们通常保留三位小数，即$\hat{b}\approx0.771$。然后求截距$\hat{a}$：$$\hat{a}=\bar{y}-\hat{b}\bar{x}=42.3-0.771\times32.5\approx42.3-25.06=17.24$$所以，回归方程为：$\hat{y}=0.771x+17.24$。【例题1：散点图与相关系数】【例题3：预测与残差分析】如果下个月计划投入60万元广告费，根据回归方程预测销量是多少？如果实际销量为78万件，预测的误差是多少？【解析与步骤】3.预测：将$x=60$代入方程：$\hat{y}=0.771\times60+17.24=46.26+17.24=63.5$（万件）。看起来有点低，对吧？别急，因为回归方程是基于历史数据拟合的，它只是趋势，不是魔法。【例题1：散点图与相关系数】4.残差计算：残差$e=y_{实际}-\hat{y}_{预测}=78-63.5=14.5$（万件）。这个残差值比较大。这时候我们要警惕了，是不是数据中有新的变量介入了？比如下个月正好赶上“双十一”大促，或者竞争对手倒闭了？回归模型是静态的，它无法预测突发的外部冲击。这也是我们在练习中经常需要反思的地方。05互动互动讲完了例题，我想和大家聊聊。在座的各位，我想问问你们，在生活中有没有遇到过“看似相关，实则无关”的事情？我记得有一次，我去超市买东西，看到一条标语：“多吃菠菜，身体强壮”。这当然是真的，因为菠菜富含铁。但是，如果超市老板说：“多吃菠菜，冰淇淋销量就会增加”，这听起来就很荒谬。但从统计学角度看，如果把“吃菠菜的人”和“买冰淇淋的人”放在一起统计，是不是可能发现正相关？这就是著名的“辛普森悖论”的前兆。同学们，回归分析最大的陷阱就是因果谬误。相关不等于因果。如果$r=0.8$，只能说明$x$和$y$有很强的线性关系，但不能说是因为$x$导致了$y$的变化。可能是因为$z$同时影响了$x$和$y$。互动比如，夏天卖冰棍，气温升高，冰棍销量增加，溺水人数也增加。气温和销量正相关，气温和溺水人数也正相关。那么销量和溺水人数是否相关？是的，正相关！但你不能说“吃冰棍容易导致溺水”。这就是典型的“虚假相关”。在我们的练习中，一定要注意区分变量之间的逻辑关系。在做题时，题目通常会给出明确的背景，但在现实生活中，你需要自己去甄别。另外，关于计算器或软件的使用。现在的科技很发达，Excel、Python、甚至手机APP都能一键生成回归方程。但是，我强烈建议大家在考试或练习初期，不要过度依赖工具。你要亲手算一遍$S_{xx}$和$S_{xy}$，你要感受那个数字在跳动的过程。当你亲手推导出那个$\hat{b}$时，你才会对它有感情，才会知道它从哪里来，到哪里去。互动还有，关于残差图。很多同学觉得画残差图很麻烦，或者不知道怎么看。其实很简单。把残差标在$y$轴上，$x$轴还是原来的自变量。如果残差点在一条水平线附近上下波动，没有明显的规律，那就说明你的线性模型是合理的。如果你发现残差点随着$x$的增大而呈现喇叭口状（左边密右边疏），或者有明显的曲线趋势，那就说明你的模型“偏了”，你可能需要考虑非线性回归，或者对数据进行对数变换。这些问题，大家回去可以自己试着画一画，把残差图作为一个小小的艺术创作。06小结小结好了，时间过得真快。让我们把今天的内容像拼图一样重新拼凑起来。今天我们共同探索了《回归分析》的奥秘。我们从一个直观的散点图出发，通过相关系数$r$描绘了变量关系的冷暖，利用最小二乘法构建了回归方程，最后通过残差分析检验了模型的真伪。回顾这一路，我们学到了什么？第一，数据是客观的，但解读是主观的。我们要用严谨的数据去支撑我们的观点，而不是用观点去美化数据。第二，数学不仅仅是计算，更是逻辑。最小二乘法不仅仅是公式，它是一种优化思想，一种在误差中寻找最优解的智慧。第三，敬畏未知。回归方程是用来预测的，但预测永远伴随着误差。承认误差的存在，接受小结预测的不完美，是我们走向成熟的标志。在未来的学习和生活中，无论你们从事什么行业，数据分析的能力都将是一把利器。它不仅能帮你们预测股市，帮你们优化供应链，更能帮你们看清人际关系的本质，理解社会发展的规律。07作业作业纸上得来终觉浅，绝知此事要躬行。今天的作业，不是枯燥的填空题，而是一项实践任务。【作业内容】在右侧编辑区输入内容请以“我的生活数据”为主题，进行一次小型的回归分析实践。具体步骤：o你每天的学习时长与你的睡眠时长。o你每天摄入的卡路里与你的体重变化。o你最喜欢的奶茶甜度与你的心情指数（可以自己打分）。1.收集数据（至少10组）：选择两个你认为可能有关系的变量。