绝密版 直线相关和直线回归.ppt

第十二章 双变量关联性分析 概述 直线相关 (linear correlation) 又称简单相关或Pearson相关分析，用于 研究两个数值变量间是否存在线性相关关系 统计分析方法。 三、直线相关的应用条件 相关系数 (r) 五、直线相关分析的基本步骤 P170例12-1 表12-1 2000年某地16名7岁男孩体重与胸围资料 绘制散点图：初步了解两个变量间的相关关系 计算相关系数 从以上计算结果我们能否得出结论: 该地7岁男孩体重与胸围之间呈正相关系，相关系数是0.8343。为什么？ 总体相关系数的假设检验 相关关系密切程度的判断 六、相关分析中应用注意的问题 P180例13-1 二、直线回归的应用条件 回归系数 b 和截距 a 的计算 四、直线回归分析的基本步骤 五、回归系数的统计推断 回归系数的假设检验 回归系数的假设检验 例13-1 tb 检验步骤 r 检验代替 总体回归系数的区间估计 例13.1 五、直线回归分析的应用 六、直线回归分析的应用注意事项 直线相关与直线回归的区别与联系 4、r 与b 的意义与取值范围均不同 小 结 直线相关 直线回归 思考题 思考题 谢谢！ 相关关系示意: 相关关系示意: 相关关系示意: 例12-1 tr 检验步骤 查表法 a 为截距,即 x=0 时的 y 值 b为回归系数,即 直线的斜率 例13-1 利用回归方程进行预测 利用回归方程进行统计控制 直线回归是分析两变量间线性依存变化的数量的关系。 确定性关系(函数关系)：两变量的取值完全一一对应 如:y =2? r 非确定性的关系(回归关系)：两变量的取值并非完全一一对应，而是具有随机性的一种“趋势” 在自变量X 的实测范围内任取相距较远易读的两个值，求出相应Y 的估计值，用直线连接。 13名8岁正常男童体重与心脏横径散点图 （0，a） ● ● ● ● ● P1 (20, 8.29) P2(26, 9.52) (59.26, 142.87) y =4.2121+0.2041x SAH患者第一天血清和脑脊液IL-6(pg/ml)检测结果散点图 ● P1 (23, 100.1) ● P2(96, 186.24) ● ● ● ● ● ● ● y =72.96+1.18x ● ● ● (59.26, 142.87) （0，a） 在自变量X 的实测范围内任取相距较远易读的两个值，求出相应Y 的估计值，用直线连接。 ● ● 即利用回归方程，由一个容易测量的变量值(自变量X —预报因子)推算另一个不易测得的变量值(应变量Y —预报量 )。 如由儿童年龄推算其体重，将预报因子 X （儿童年龄）代入回归方程后，求得 值 为应变量 Y （体重）的估计值，这属于点 值估计；其波动范围可求个体Y 值的容许 区间，即为区间估计。 统计控制是指为了满足Y 最高不超过（或最低不低于）限定的某一个数值，X 应控制在多大范围？这是利用回归方程进行逆估计。 如：汽车的数量与大气中的 NO2 浓度呈直线回归关系，为了控制大气污染，可通过限制汽车的数量来实现。如果大气中 NO2 最大允许浓度一定，则通过直线回归方程可求出汽车的最大允许流量。 在自变量X 的实测范围内任取相距较远易读的两个值，求出相应Y 的估计 值，用直线连接。 绘制直线回归图 取易读数且离得相对较远的两个X 值代入 直线回归方程求得两个 Y ,得两点并连线即可。 其中: Sb 为回归系数 b 的标准误 SY.X 为剩余标准差，反映扣除了X 的影响后Y 的变异 t 检验 H0 ： β= 0 ,即体重和心脏横径间无直线回归关系 H1 ： β≠0 ,即体重和心脏横径间有直线回归关系 ? = 0.05 b =0.2041, n =13, Sb =0.03098 代入公式: 查 t 值表， t 0.05/2(11)= 2.201, tb=6.592.201，则P＜0.05，按? =0.05水准拒绝 H0 ，接受H1 ,可认为该地8岁男孩体重与心脏横径间直线关系存在,所求线性回归方程成立。 在实际应用中，如果已对相关系数进行了 假设检验，则可代替回归系数的假设检验。 对于同一资料，tr=tb 即如果相关系数的 假设检验有统