第十二章 简单回归分析.pptVIP

第十二章 简单回归分析 概述 简单线性回归 线性回归的应用 残差分析 非线性回归 概述 回归分析－ 因变量Y 随自变量X的变化而变化。 相关分析－ 因变量Y 与自变量X间的彼此关系。 在医学研究中，常要分析变量间的数量规律。回归则是研究这种关系的统计方法。线性回归则是较简单的一种。 简单线性回归 函数关系：确定的。如， y=2πr 回归关系：不确定的。 Y随着X的变化而变化，但 不具有一一对应性。例如成年人的胸围 随着体重的增大而增大，但不能讲体 重60公斤的人，胸围一定是多少。 概述 回归描述的是通过自变量的数值反应因变量的平均水平。因此可以通过可测或易测的变量估计难测或不可测变量的状态。 例如：通过体重估计体表面积； 通过身高、体重、肺活量估计心室血输出 量、体循环总血量； 本章只涉及一个自变量的回归问题！ 简单线性回归 简单线性回归 简单线性回归 简单线性回归 回归方程参数的计算： 根据样本观察值（x,y），计算a，b的过程 最小二乘原则 使各实际散点（Y）到直线（ ）的纵向距离的平方和最小 也即 最小 简单线性回归 最小二乘 (Least squares)法图解 简单线性回归 简单线性回归 例：凝血酶浓度与凝血时间 直线回归方程的图示 在X的实测范围内，任取两值带入方程，求得Y的估计值，从而画出回归直线。 回归直线的有关性质 (1)直线通过均点 (2)直线上方各点到直线的纵向距离之和 = 直线下方各点到直线的纵向距离之和 即: (3)各点到该回归线纵向距离平方和较到其它任何直线者为小。 回归系数的假设检验 方程的统计学意义： 方程有无统计学意义通俗地讲是方程的真伪、方程能不能用的问题。 直线回归方程只有一个自变量，所以回归系数的统计学意义与方程的统计学意义是等价的。 回归系数是否有统计学意义，可以用方差分析和t检验。 回归系数的假设检验 方差分析 引起Y变异的因素有： 1.自变量X的线性影响 2.其他因素及测量误差 总体回归系数? 的假设检验 t 检验 1、建立假设 H0：? =0 H1：??0 ?=0.05 2、计算统计量 总体回归系数?的统计推断 样本回归系数b的标准误 总体回归系数?的统计推断 总体回归系数?的置信区间 回归模型的四个假定 线性 LINEARITY  反应变量y的均数与X间呈线性关系 线性回归的应用 总体回归线的95％置信带 线性回归的应用 线性回归的应用 线性回归的应用 个体Y预测值的区间估计 线性回归的应用 线性回归的应用 非线性回归 非线性回归 变换自变量实现线性回归的步骤 1、首先将观测数据作散点图，观察散点的分布与何种函数类型类似 2、对照所选函数进行相应的变量变换 3、使用最小二乘法作线性模型的参数估计 直线回归与相关的区别与联系 区别 r 没有单位，b有单位；所以，相关系数与单位无关，回归系数与单位有关； 相关表示两变量关系的方向和密切程度。而回归则用函数方程表示应变量随自变量变化的数量关系； 对资料的要求不同： 当X和Y都是随机的，可以进行相关和回归分析； 当Y是随机的(X是控制的)，理论上只能作回归而不能作相关分析 直线回归与相关的区别与联系 联系 均表示线性关系； 符号相同：共变方向一致； 假设检验结果相同：是否存在共变关系； 决定系数 表示由X导致Y的变异在总变异中所占的比重，越接近1越好。开方便是相关系数 回归分析的正确应用 要有实际意义； 充分利用散点图，判断： (1) 线性趋势 (2) 离群值 回归系数是有单位的，不能根据 b 的大小判断回归关系的密切程度 自变量的选择： 原因 容易测量的 变异小的 年龄、身高、体重、体表面积 回归分析的正确应用 应用条件(LINE)： (1)线性(linear) (2)独立(independent) (3)给定X时，Y正态分布(normal) (4)等方差(equal variance) * * 回归系数b的意义 直线回归的概念主要是通过直线回归系数b的概念体现的。当X增加一个单位时，Y相应地平均改变b个单位。 例如，由年龄X推算小儿体重Y的回归方程为 它表示年龄增加l岁，体重平均增加2公斤。显然，回归系数b可以很好地反映X与Y之间的数量规律(以上方程适用于2—12岁儿童)。 一般表达式： (linear regres