ESM10-回归分析课件.pptVIP

第十章 线性相关与回归 杨丽--本科 第十章 线性相关与回归 医学统计学第十章 线性相关与回归 暨南大学医学院医学统计教研室 杨丽 yangli810@126.com 医学统计学第十章 线性相关与回归 研究两个数值变量间的数量关系 步骤与散点图的制作? 第一节 线性相关?互相依赖的关系 第二节 线性回归?一变量依赖另一变量 第三节 线性相关和回归的区别与联系? 第四节 等级相关? SPSS? 要点与作业? 1 直线回归分析与相关分析步骤 2 例10.1 身高和前臂长 P91 从男青年总体中随机抽取11名男青年组成样本，分别测量每个男青年的身高和前臂长，身高和前臂长均以cm为单位，测量结果如表，试计算身高和前臂长之间的相关系数。 3 散点图 scatter diagram 随机样本的n对变量值为(x1, y1), …, (xn, yn)。 横坐标为变量x，纵坐标为变量y，将n对观测值绘制成散点图。 4 散点图的作用 用目测法了解两个变量之间线性关系。 观察坐标点的分布趋势，若散点有直线趋势，可以进行线性回归或相关分析。 呈直线趋势，说明身高与前臂长间存在线性相关关系。 5 共变现象：散点图呈直线趋势 一变量由小到大，另一变量相应由小到大或由大到小。 两个变量之间有“相关关系”或“回归关系”。 男青年身高与前臂长散点图呈直线趋势，说明两者间存在线性相关系。 第一节 线性相关linear correlation 相关系数r及其意义 r的假设检验 注意事项 1 相关分析的步骤 2 相关的基本概念 相关，correlation。 研究两变量互相依赖的关系。 研究两变量共同变化的关系：身高和体重。 直线相关，linear correlation。 简单相关，simple correlation。 用于双变量正态分布(bivariate normal distribution)资料。 研究 两个变量X，Y数量上的依存（或相关） 关系。 3 相关系数，correlation coefficient Pearson积差相关系数，简单相关系数。 描述变量之间直线的密切程度和方向的统计量。 不考虑其它变量的影响，只表示两变量间的相关程度和方向。 相关系数没有单位，其取值范围: ［-1，1］。 以符号r表示样本相关系数，符号r (音：Rho，洛)表示其总体相关系数。 r值为正表示正相关，r值为负表示负相关，r的绝对值等于1为完全相关，r=0为零相关。 4 相关系数的性质 0r1：正相关，positive correlation。 -1r0：负相关，negative correlation。 r=0：无相关，零相关，zero correlation。 无直线关系。 非线性相关：可能是某曲线关系，但不是线性的。 无任何关系。 r=±1：完全正/负相关，perfect positive/negative correlation 。 |r|愈接近1，相关愈密切；|r|愈接近0，相关愈不密切。 5 相关系数与散点图 正相关：0r1； 负相关：-1r0； 完全直线关系：r=?1； 无相关关系并不能说无任何关系：r=0 ； |r|从 0 到 1 变化时, 散点从散开逐渐聚到一直线上。 6 相关系数的计算 7 SPSS结果 Correlations，相关(系数)； Pearson Correlation，皮尔逊相关(系数)； **：P≤0.01，双侧。 8 总体相关系数r的假设检验 9 相关程度 有统计学意义不等于有实际意义，相关程度说明相关的实际意义。 10 注意事项 相关关系是双向的。 绘制散点图，观察点子的走向。 两变量均服从正态分布。 可作变量变换使之正态化。 样本相关系数是总体相关系数的一个估计值。 存在抽样误差，需进行假设检验。 相关系数：两变量间相互关系的密切程度和方向。 相关：两事物或现象之间存在密切数量关系，但不是函数关系。 第四节 等级相关rank correlation coefficient 两个变量不服从正态分布； 总体分布未知； 等级资料。 Spearman等级相关系数 Spearman等级相关系数 每个变量分别由小到大排秩。 同值，取平均秩。 求秩差和(Sd)、秩差平方和(Sd 2)。 计算等级相关系数rs。 进行假设检验。 附表12：n=50。 附表11：n50，n=n-2。 第二节 线性回归 linear regression 概念 直线回归方程 回归线 1 回归分析的步骤 2 回归(regression)的基本概念 回归分析：事物或现象间的数量依存关系。 线性回归，linear regression。 简单线性回归，simple lin