竞争函数模型验证 — AP 预备微积分
AP 预备微积分 · 指数与对数函数 · 14 min read
1. 什么是竞争函数模型验证？ ★★☆☆☆ ⏱ 2 min
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、指数和幂模型）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。
2. 图形残差分析 ★★☆☆☆ ⏱ 3 min
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。
Exam tip: 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。
3. 用于模型比较的决定系数（$R^2$） ★★★☆☆ ⏱ 3 min
决定系数记为$R^2$，是衡量拟合模型中解释变量$x$对响应变量$y$变异的解释比例的定量指标。$R^2$的取值范围是$0$到$1$（即0%到100%）。比较拟合于同一组数据的两个竞争模型时，$R^2$更高的模型对$y$变异的解释更多，因此通常是拟合效果更好的模型。
Exam tip: 比较$R^2$之前一定要检查两个模型的响应变量是否相同；变换后模型的$R^2$仅能与其他相同变换响应变量的模型比较。
4. 非线性模型线性化的对数变换 ★★★★☆ ⏱ 4 min
比较两个非线性模型（指数模型 vs 幂模型）时，我们使用对数变换将两个模型都线性化，然后比较线性化版本的拟合效果，选出最优的原始模型。该方法仅在所有 $x$ 和 $y$ 都为正时有效，因为对数仅对正输入有定义。
指数模型的形式为 $y = ab^x$。对两边取自然对数得到线性形式：
y = ab^x \implies \ln(y) = \ln(a) + x\ln(b)
幂模型的形式为 $y = ax^b$。对两边取自然对数得到其线性形式：
y = ax^b \implies \ln(y) = \ln(a) + b\ln(x)
要比较哪个非线性模型拟合效果更好，我们查看线性化回归的 $R^2$：线性化形式 $R^2$ 更高（且回归后残差随机）的模型就是更优的原始非线性模型。
Exam tip: 永远记住：指数模型对 $x$ 线性化，而幂模型对 $\ln(x)$ 线性化；混淆预测变量会得到错误的 $R^2$ 和错误结论。
5. AP风格概念检测 ★★★☆☆ ⏱ 2 min
Common Pitfalls
Why: $R^2$衡量响应变量的变异，因此仅当所有模型的响应变量相同时才能比较
Why: 单个离群点不等于所有数据点都存在系统模式
Why: 学生经常混淆指数模型和幂模型的线性化公式
Why: 学生过度依赖$R^2$，忽略了拟合效果差的关键图形证据
Why: 学生在应用变换前没有检查数据的定义域
Quick Reference Cheatsheet