12 简单回归分析.pptVIP

* 回归系数与相关系数的假设检验 结果等价 * ②总体回归系数β的置信区间—基于t分布 不包含H0 * 6 因变量总变异的分解 总变异SS总 回归平方和SS回 剩余平方和SS剩 * Y的总变异分解 * 方差分析表 变异来源 SS v MS F 回 归 SS回 1 SS回/1 MS回/ MS剩 剩 余 SS剩 n-2 SS剩/n-2 总变异 SS总 n-1 * 回归方程的假设检验方差分析 H 0：两指标间无直线回归关系； H 1：两指标间有直线回归关系。 ? = 0.05。 * 方差分析表 变异来源 SS v MS F P 回 归 19.68416 1 19.6841 78.76 .0001 剩 余 3.24917 13 0.24994 总变异 22.93333 14 * 直线回归中三种假设检验间的关系 在直线回归中，相关系数的假设检验，回归系数的假设检验，以及回归方程的方差分析结果等价。 8 应用：估计置信带与预测带 8 残差分析 残差： 反映模型与数据拟合优劣的信息。 　 残差分析（residual analysis）:评价资料是否符合回归模型假设，识别异常点等。 　　　　　　 　　　　　　 图12－7　凝血数据的回归标准化残差图 图12－8　残差示意图 * 9 直线回归与直线相关的区别与联系 联系 正负符号相同：在同一资料，r与b的正负符号相同。 假设检验等价：在同一资料，r与b的假设检验统计量t值相等：tr=tb，自由度亦相等，故r与b 的假设检验等价。 用回归解释相关。相关系数r的平方称为决定系数，其公式为： 其值在０~１之间。决定系数表示Y的变异中可由X解释的部分占总变异的比例（或回归部分变异占总变异的百分比）。因此，r2越接近1，说明应用相关和回归分析的意义越大；相反的意义亦成立。 * 9 直线回归与直线相关的区别与联系 区别 计量单位：r 没有单位，b有单位(Y单位/X单位) 应用：相关表示相互关系，回归表示依存关系。 若目的是描述两变量间呈直线关系的密切程度和方向，则应作相关分析；若目的是描述两变量间的依存关系，以便由一个变量的数值去推算另一个变量的数值，则应作回归分析。 对资料的要求不同： 相关分析要求X、Y均为随机变量且服从双变量正态分布； 回归只要求应变量Y是随机变量且服从正态分布 * 掌握内容 回归模型的前提假设 回归参数估计的最小二乘原则 回归系数的意义与假设检验 相关与回归分析的区别与联系 叶小华 * Health statistics 卫生统计学 简单回归分析 * outline 简单线性回归 回归系数的假设检验和区间估计 回归模型的假设检验 线性回归的应用 估计置信区间 估计预测区间 线性回归与线性相关的区别与联系 * Regression 释意 F. Galton * 1 回归模型的前提假设 线性(linear) 独立(independent) 正态(normal) :线性模型的误差项?i服从正态分布 等方差(equal variance) 恰好为“LINE”。 * 给定X时，Y是正态分布、等方差示意图 ? x y * 给定X时，Y是正态分布、不等方差示意图 ? x y * 2 线性回归两变量数量依存性 X 自变量 (independent variable, explanatory variable) Y 因变量 (dependent variable, response variable) 直线回归模型的形式： * 最小二乘法(least square estimation，LSE) 基本思想：使各实测值Y与回归直线上对应的估计值 之差的平方和 为最小，在这个准则下，可导出a、b的最小二乘估计如下： 3 估计回归参数，建立回归模型 * 点到直线的纵向距离 点到回归直线的距离为最小！ * 自变量 反应变量 * ①先作散点图，以判断两变量间是否呈线性趋势 回归