# 竞争函数模型验证

> AP 预备微积分 · 指数与对数函数
> 来源: https://www.owlsprep.com/zh/study/ap-precalculus-u2-competing-function-model-validation/

本模块介绍了使用残差分析和残差图比较双变量数据的线性、二次和指数竞争函数模型的方法，包括通过残差的符号判断高估和低估，内容符合AP预备微积分CED要求。

**先修:** 对双变量数据拟合线性、二次和指数模型; 计算拟合模型的残差

## 学习目标

- 比较双变量数据的线性、二次和指数竞争函数模型
- 使用残差分析和残差图评估模型的拟合优度
- 利用残差的符号判断模型是高估还是低估
- 按照AP预备微积分考试要求论证模型选择的合理性

## 什么是竞争函数模型验证？

竞争函数模型验证是将两个或多个候选函数模型（最常见的是线性、二次和指数模型）与实际双变量数据对比，选出最能描述变量间内在关系模型的过程。该知识点占AP预备微积分考试总分的2-3%，在选择题和自由问答题部分均会出现。

考试中，题目通常会给出散点图、数据表或预先拟合好的候选模型，要求你使用定量或图形证据论证哪个模型最适用。与拟合单个模型不同，模型验证的核心是比较不同竞争选项，这是应用数据分析的关键技能，在自由问答题的论证得分点中占很高权重。

## 图形残差分析

**残差** — 对于给定数据点 $(x_i, y_i)$，观测响应值 $y_i$ 与模型预测响应值 $\hat{y}_i$ 之间的差值：$e_i = y_i - \hat{y}_i$

*记法:* $e_i$

*例:* 对于模型 $\hat{y} = 2x + 1$ 和点 $(3, 8)$，$e_i = 8 - 7 = 1$

残差分析是AP考试中最直观、最常考查的模型拟合比较方法。如果模型拟合良好，残差会在横轴 $e=0$ 附近随机分布，没有明显的系统模式（如曲线、趋势或漏斗形）。如果残差呈现明显模式，说明模型没有捕捉到内在趋势，因此另一个竞争模型是更好的选择。

**例题:** 一位生态学家连续12年测量保护林区的鹿种群数量。两个候选模型的残差图：模型1（线性增长）的残差从正开始，中间变为负，之后又回到正，形成明显的开口向上抛物线模式。模型2（指数增长）的残差在 $-18$ 到 $15$ 之间随机分布，均匀集中在 $e=0$ 附近。哪个模型拟合效果更好？证明你的选择。

1. 记住：拟合良好的模型产生的残差没有系统模式，在零线附近随机分布。
2. 评估模型1：明显的抛物线模式说明线性模型未能捕捉到鹿种群增长的非线性趋势，因此拟合效果差。
3. 评估模型2：残差没有系统模式，在零附近均匀分布，说明模型正确捕捉了内在趋势。
4. 得出结论：模型2（指数增长）是拟合效果更好的模型。

> **考试提示:** 在AP自由问答题中，你必须明确提及残差是否存在模式才能获得论证分；只说"残差更好"无法得到满分。

## AP风格概念检测

**概念自测**

通过这道选择题测试你的理解：

1. 一位研究人员比较随时间生长的番茄植株高度的三个模型，所有模型都拟合原始高度数据（单位：cm），并检查每个模型的残差图：
- 线性模型：残差形成明显的向上弯曲（U形）模式
- 指数模型：残差在0附近随机分布，无明显模式
- 二次模型：残差形成明显的向下弯曲模式
根据残差图，哪个模型最适用？

   - 线性模型，因为它的残差形成明显的U形模式
   - 指数模型，因为它的残差在0附近随机分布，无明显模式
   - 二次模型，因为它的残差形成向下弯曲
   - 三个模型同样适用

   *答案:* 指数模型，因为它的残差在0附近随机分布，无明显模式

   *解析:* 正确。当残差在0附近随机分布、无系统模式时，模型拟合良好。线性模型和二次模型都呈现明显的弯曲模式，因此未能捕捉趋势；只有指数模型的残差没有模式。

## 常见错误

- **错误做法:** 仅因为一个残差比其他残差大很多就判定模型不好
  - 原因: 单个离群点不等于所有数据点都存在系统模式
  - 正确做法: 根据所有残差的整体模式判断模型拟合效果，而非仅看一个极端离群点
- **错误做法:** 把正残差理解为模型高估了观测值
  - 原因: 残差是观测值减去预测值（$e_i = y_i - \hat{y}_i$），因此正残差意味着观测值高于预测值
  - 正确做法: 把符号与方向对应起来：正残差说明模型低估（预测偏低）；负残差说明模型高估（预测偏高）
- **错误做法:** 只看残差是否够小来判断模型拟合，忽略残差的模式
  - 原因: 即使残差很小，也可能形成系统的曲线或漏斗形，这说明模型类型选错了
  - 正确做法: 始终查看残差图中是否有模式；说明模型合适的是残差在$e=0$附近随机分布，而不仅仅是残差小

## 速查表

| 类别 | 公式 / 规则 | 注释 |
| --- | --- | --- |
| 残差计算 | $e_i = y_i - \hat{y}_i$ | $y_i$ = 观测$y$, $\hat{y}_i$ = 模型预测的$y$ |
| 良好残差模式 | 无系统模式，在$e=0$附近随机分布 | 说明模型拟合良好 |
| 不良残差模式 | 曲线、线性趋势或漏斗形 | 说明模型拟合效果差 |
| 高估/低估 | $e_i>0$：低估；$e_i<0$：高估 | 残差的符号给出误差的方向 |
| 模型选择规则 | 选择残差图无系统模式的模型 | 残差在$e=0$附近随机分布 = 模型合适 |

## 下一步

竞争函数模型验证是第二单元《指数与对数函数》的核心建模顶点技能，它为你应对AP预备微积分考试中所有后续以建模为核心的内容做好准备。你在这里学到的残差分析、拟合优度比较和模型论证的核心技能，适用于你在课程剩余部分和期末考试中遇到的所有类型模型。掌握本知识点后，你将进入第三单元，学习多项式和有理函数，你会应用同样的核心模型验证技能，比较不同次数的多项式模型对双变量数据的拟合效果。如果不在这里掌握这些基础技能，非线性多项式模型选择的论证会困难得多，因为相同的原理直接适用。

- [AP 预备微积分第二单元概述](https://www.owlsprep.com/zh/study/ap-precalculus-u2-overview/)
- [函数的复合](https://www.owlsprep.com/zh/study/ap-precalculus-u2-composition-of-functions/)
- [AP 预备微积分 反函数](https://www.owlsprep.com/zh/study/ap-precalculus-u2-inverse-functions/)

---

来自 [OwlsPrep](https://www.owlsprep.com) —— A-Level / IB / AP / IGCSE 免费学习指南，依据官方考纲编写。原页面：https://www.owlsprep.com/zh/study/ap-precalculus-u2-competing-function-model-validation/