早上备课，用一个小时左右的时间把导学案内容过一遍，理解了典型题目设置和本节课的内容安排节奏。
发现回归方程这一节课的导学案设置中数据偏多，教材中给出的数据都是计算机计算出来的，所以显示不出来计算过程。体验不到公式的应用方法，体验式学习感受不够。
两道例题都是如此，一道线性回归分析的数据，另一道是非线性回归对数模型的转化，利用换元的方式进行转化。
整体就是数据特征不明显，小数点的精确度把握不到位。
既然是不允许使用计算器的，所以那么数据的典型性就值得研究和琢磨。
所以这里我就需要把题目相关性解释清楚，用导学案中训练2的数据转换来说面技巧，把这个过程理顺了。给出参考数据，说明结果。
时间呈现是用几分钟的时间解释节奏安排，把训练二中的参考数据呈现出来。
自己设置一个数据形式的话就避免时间上的匆忙。
类似参考题目寻找有价值的引导。
如果是规范的题目设置，会给出参考数据，有时候是参考公式类型。
新课程设置模式必须要有例题示范，所以还是需要注意格式书写。
看到导学案中类型一是经验回归方程中参数的计算，最小二乘估计结果。计划用跟踪训练二的数据做参考，体验如何计算线性回归的参数，以及如何做残差分析。
类型二中线性回归分析说明什么问题呢？需要对拟合的模型做质量评估。
课本当中有过高尔顿的分析，这里残差平方和的计算。
理清思路：
确定回归方程的步骤：第一步是进行相关性分析，确定是否符合线性回归。
或者散点图直观呈现是否是直线回归。
第二步是回归方程的确定，建模，计算。
如果是非线性回归，需要先进行转换，数据调整。
第三步检验回归效果如何，通常情况下使用残差图，或者残差平方和方法，或者是计算指数方法，检验模型的效果。要紧的是确定残差 的由来，形式如何呈现。都需要通过观测值减预测值的数学运算。
第四步预测，实现实用功能和价值。
希望把一节科普的方法课，能够让学生学得轻松、掌握顺利。方法得当。
导学案中关于指数模型、对数模型、二次模型进行转化的方法值得推荐。
