学习指南

二元数据：相关性与回归

IB 数学 分析与方法 SL· 12 分钟阅读

1. 二元数据集的相关性分类★☆☆☆☆⏱ 3 min

二元数据由配对的(x,y)观测值组成，其中x是自变量解释变量，y是因变量响应变量。相关性描述这两个变量之间的线性关联，不存在固有的因果关系假设。

📘 定义

皮尔逊相关系数

rr

取值范围在-1到1之间，用于量化线性关联：正值表示变量同步增长，负值表示一个变量随另一个变量增长而减小。

  • 0 ≤ |r| < 0.3：极弱或无线性关联

  • 0.3 ≤ |r| < 0.7：中等线性关联

  • 0.7 ≤ |r| ≤ 1：强线性关联

📐 例题

一个包含12名学生的数据集记录了复习时长（小时）和考试分数（百分比），计算得到的r值为-0.82。请对两个变量之间的关联进行分类。

  1. 1

    步骤1：检查r的符号。该值为负，因此随着复习时长增加，考试分数倾向于下降。

  2. 2

    步骤2：将r的绝对值与分类阈值比较。|-0.82| = 0.82，属于0.7到1的区间。

  3. 3

    步骤3：最终分类：复习时长和考试分数之间存在强负线性关联。

✓ 快速检测

  1. 以下哪个r值代表最强的负线性关联？

    • -0.91

    • -0.23

    • 0

    • 0.76

    显示答案
    -0.91 —

    绝对值最大的负r值代表最强的负线性关系。

Exam tip:

IB评分标准要求你解读r时必须同时说明方向和强度，才能获得全部分数。

2. 计算皮尔逊r值★★☆☆☆⏱ 3 min

你可以使用乘积和公式手动计算r，也可以在输入配对x和y数据集后直接从图形显示计算器(GDC)输出结果。考试中很少要求手动计算，但你必须理解公式结构。

r=n∑xy−∑x∑y[n∑x2−(∑x)2][n∑y2−(∑y)2]r = \frac{n\sum xy - \sum x \sum y}{\sqrt{\left[n\sum x^2 - \left(\sum x\right)^2\right]\left[n\sum y^2 - \left(\sum y\right)^2\right]}}
📐 例题

针对3个配对数据点：(1, 3), (2, 5), (3, 7)计算r值

  1. 1

    步骤1：计算所有所需求和项：n=3, Σx=6, Σy=15, Σxy=34, Σx²=14, Σy²=83

  2. 2

    步骤2：代入公式：分子 = 334 - 615 = 102 - 90 = 12

  3. 3

    步骤3：分母 = sqrt([314 - 36][383 - 225]) = sqrt([6][24]) = sqrt(144) = 12

  4. 4

    步骤4：r = 12 / 12 = 1，代表完全正线性关联。

3. 最小二乘线性回归线★★★☆☆⏱ 4 min

y对x的回归线是唯一的线性模型，可最小化每个数据点到直线的垂直距离平方和。它经过数据集的均值点(\bar{x}, \bar{y})。

🔬 推导
目标:

求回归线y = ax + b的斜率a

起点:

最小化残差平方和S = Σ(y_i - ax_i - b)^2

  1. 1

    对b求S的导数，令其为零，得到b = \bar{y} - a\bar{x}

  2. 2

    将b代回S，对a求导，令其为零

  3. 3

    整理得到a = \frac{n\sum xy - \sum x \sum y}{n\sum x^2 - (\sum x)^2}

结果:

斜率a代表x每增加1个单位时，y的预测变化量。

📐 例题

已知n=10, Σx=60, Σy=420, Σxy=3200, Σx²=500，求完整的回归线方程

  1. 1

    步骤1：计算斜率a：a = (103200 - 60420)/(10*500 - 60²) = (32000 - 25200)/(5000 - 3600) = 6800 / 1400 ≈ 4.86

  2. 2

    步骤2：计算均值：\bar{x} = 60/10 = 6, \bar{y} = 420/10 = 42

  3. 3

    步骤3：计算截距b：b = 42 - 4.86*6 ≈ 12.8

  4. 4

    步骤4：最终回归方程：y = 4.86x + 12.8

4. 预测有效性与局限性★★☆☆☆⏱ 2 min

针对原始观测数据集范围内的x值做出的预测称为内插，在统计上是可靠的。超出该范围做出的预测称为外推，几乎总是不可靠，因为线性趋势不适用于未观测到的数值。

📐 例题

针对5-12岁人群的年龄(x，岁)与身高(y，cm)的回归线为y = 5.2x + 85，观测x范围为5到12岁。预测x=9和x=30时的身高，并评价有效性。

  1. 1

    步骤1：x=9时：y = 5.2*9 + 85 = 131.8 cm。这是观测范围内的内插，因此预测有效。

  2. 2

    步骤2：x=30时：y = 5.2*30 + 85 = 241 cm。这是远超出5-12岁年龄范围的外推，因此预测完全无效。

5. 常见陷阱

错误做法:

假设强相关性意味着变量之间存在直接因果关系

原因:

相关性仅衡量线性关联，无法确认因果方向，也不能排除混淆变量的存在

正确做法:

明确说明相关性不能证明因果关系，并列出可能解释该趋势的第三变量

错误做法:

使用x对y的回归线预测y值

原因:

两条不同的回归线最小化不同的偏差集，如果互换会产生错误的预测

正确做法:

在生成回归模型前，始终确认哪个变量是因变量响应(y)

错误做法:

声称r=0代表两个变量之间不存在任何关系

原因:

r仅衡量线性关联，即使r等于0，也可能存在强非线性关系

正确做法:

注意r=0代表不存在线性关联，查看散点图以检查是否存在曲线型非线性模式

错误做法:

在原始数据集的观测x范围之外进行远距外推

原因:

测量范围内观测到的线性趋势几乎不会无限延续到未观测的数值

正确做法:

明确说明原始数据范围之外的预测在统计上无效

错误做法:

最终答案中将r舍入到1或2位小数

原因:

IB评分标准要求r值保留3位有效数字才能给予全部分数

正确做法:

直接从GDC输出所有r值，保留3位有效数字，不进行额外舍入

6. 速查表

指标

公式 / GDC输入

解读规则

皮尔逊r

输入配对数据，在GDC上运行LinReg

-1 ≤ r ≤ 1，符号代表方向，绝对值代表强度

回归斜率a

a = (nΣxy - ΣxΣy)/(nΣx² - (Σx)²)

x每增加1个单位时y的变化量

回归截距b

b = \bar{y} - a\bar{x}

x=0时y的预测值

有效预测

x在原始数据范围内

内插在统计上可靠

无效预测

x超出原始数据范围

不推荐外推

真题中的出现

AI 根据考纲规律估算的考点位置,请对照官方真题核实准确性。仅作复习重点参考。

  • 2024 · Paper 2

    相关性计算与解读

  • 2023 · Paper 1

    回归线预测任务

  • 2022 · Paper 2

    外推的局限性

下一步

掌握相关性和线性回归是IB 数学 AA SL考试的高分考点，这些概念经常出现在6-8分的试卷2题目中。请确保你可以计算并解读皮尔逊积矩相关系数r，求出y对x的回归线，并使用它进行预测，同时认识到外推以及混淆相关性和因果关系的风险。完成完整的考试风格二元数据练习题，避免常见的失分点。注意：独立性卡方检验——经常与本主题混淆——属于数学AI的内容，不属于AA，因此AA SL不做要求。如果你选择对配对实验或调查数据进行统计分析，本内容也可直接支撑你的内部评估(IA)。