SPSS课程(直线回归与相关分析).pptVIP

* * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * 用回归解释相关。 相关与回归的联系 * y关于x的直线回归系数 x 关于y的直线回归系数 x y * 回归 相关 x是可以精确测量和严格控制的变量 y服从正态分布。 x服从正态分布。 y服从正态分布。 I型回归 II型回归 相关与回归的区别 资料要求 x y * 两变量间依存变化的数量关系 两变量间相关关系 回归 相关 相关与回归的区别 应用 x y 单向 x y x y 双向 * 回归系数与相关系数的正负号都由两变量离均差积之和的符号决定，所以同一资料的b与其r的符号相同。 回归系数有单位，形式为（应变量单位/自变量单位），相关系数没有单位。 相关系数的范围在-1～+1之间，而回归系数没有这种限制。 * 有些资料用相关表示较适宜，比如兄弟与姐妹间的身长关系、人的身长与前臂长之间的关系等资料。 有些资料用相关和回归都适宜，此时须视研究需要而定。 就一般计算程序来说，是先求出相关系数r并对其进行假设检验，如果r显著并有进行回归分析之必要，再建立回归方程。 * 作相关与回归分析要有实际意义。 不要把毫无关联的两个事物或现象用来作相关或回归分析。 如儿童身高的增长与小树的增长，作相关分析是没有实际意义的，如果计算由儿童身高推算小树高的回归方程则更无实际意义。也许算得的r、b是显著的，也是没有意义的。 注意问题 * 相关分析只是以相关系数来描述两个变量间相互关系的密切程度和方向，并不能阐明两事物或现象间存在联系的本质。 对相关分析的作用要正确理解。 相关并不一定就是因果关系，切不可单纯依靠相关系数或回归系数的显著性“证明”因果关系之存在。 要证明两事物间的因果关系，必须凭籍专业知识从理论上加以阐明。但是，当事物间的因果关系未被认识前，相关分析可为理论研究提供线索。 * 适合相关和回归分析的资料通常有两种 一个变量X是选定的，另一个变Y是从正态分布的总体中随机抽取的。 1 回归分析 * 由一个变量推算另一个变量 说明两变量间的相互关系 两变量X、Y（或X1、X2）都是从正态分布的总体中随机抽取的，即是正态双变量中的随机样本。 2 回归分析 相关分析 * 在回归分析中，由X推算Y与由Y推算X的回归方程是不同的，不可混淆。 必须正确选定自变量与应变量。 一般说，事物的原因作自变量X，当事物的因果关系不很明确时，选误差较小的即个体变异小的变量作自变量X，以推算应变量Y。 * 回归方程的适用范围有其限度，一般仅适用于自变量X的原数据范围内，而不能任意外推。因为我们并不知道在这些观察值的范围之外，两变量间是否也呈同样的直线关系。 * E N D * * * * * * * * * * * * * * * * * * * * r 样本 * 样本 总体 * 两个变量在相关系数计算中的地位是平等的，没有自变量和依变量之分 相关 回归 区 别 联系 * 决定系数 coefficient of determination * 变量x引起y变异的回归平方和占y总变异平方和的比率 当SSy固定时，回归平方和U的大小取决于r2。 说明引入相关的效果好 * 用 y 可以准确预测y值 x与y完全相关。 完全正相关 完全负相关 散点图上所有点必在一条直线上。 * 回归一点作用也没有，即用x的线性函数完全不能预测y值的变化。 x与y之间不存在直线相关关系，这时散点图分布紊乱，没有直线的趋势，但可能存在非线性关系。 I II III IV * x的线性函数对预测y值的变化有一定作用，但不能准确预测，说明y还受其他因素（包括随机误差）的影响。 * 相关系数(r) 和决定系数(r2) 的区别 (1) 除去 r =1和0的情况外，r 2 r，这样可以防止对相关系数所表示的相关程度作夸张的解释。 （2）r可正可负，r2取正， r2一般只用于表示相关程度而不表示相关性质。 * 温度 天数 黏虫孵化历期平均温度与历期天数成负相关。 x和y的变异有93.74％可用二者之间的线性关系来解释。 * ρ=0 x y (x1,y1) (x2,y2) (x3,y3) (xn,yn) P ? * 二、相关系数的假设检验 r是线性关系强弱的指标 * * H0:β=0　 HA:β≠0 检验样本回归系数b是否来自β=0的双变量总体，以推断线性回归的显著性。 对于相关系数r作显著性检验的无效假设为ρ=0 ，即测定r来自ρ=0 总体的概率，也就是判断r所代表