11线性回归与相关解析.ppt

（3）确定P 值，作结论 查 t 界值表， ， 拒绝 ，结论与方差分析相同。可以看出，统计量 与 之间存在确定的数量关系，即有 ，本例 。 Hypothesis test 一、线性相关的概念 两个变量之间存在的线性相关关系称为线性相关或简单相关。 用于分析双变量正态分布资料。 Karl Pearson 图11-2 11名男青年身高与前臂长散点图 linear correlation 图11-3 线性相关性质示意图 二、相关系数及其计算 相关系数（correlation coefficient）：又称Pearson积差相关系数（coefficient of product moment correlation），是说明具有线性相关关系的两个数值变量间相关的密切程度与相关方向的统计量。 相关系数r没有度量衡单位，其数值为 。 表示正相关； 表示负相关； 表示无相关，即无直线关系。当 时称为完全相关。 相关系数的绝对值愈接近1，表示相关愈密切；相关系数愈接近0，表示相关愈不密切。 linear correlation 相关系数的计算公式： linear correlation 例11-2 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，测量结果如表11-3所示，试计算身高与前臂长之间的相关系数。 编号 身高 X 前臂长 Y XY 1 170 47 7990 28900 2209 2 173 42 7266 29929 1764 3 160 44 7040 25600 1936 4 155 41 6355 24025 1681 5 173 47 8131 29929 2209 6 188 50 9400 35344 2500 7 178 47 8366 31684 2209 8 183 46 8418 33489 2116 9 180 49 8820 32400 2401 10 165 43 7095 27225 1849 11 166 44 7304 27556 1936 合计 1891 500 86185 326081 22810 本例: 结论: 前臂长与身高呈正相关关系, 而且相关程度较高。 linear correlation 三、相关系数的假设检验 1. t 检验法: 根据 r 作总体相关系数 是否为零的假设检验。 2. 根据计算出的 r 值，直接查 r 界值表得到P 值，若 ，则可以认为两变量之间存在线性相关关系。 对例11-2计算得到的 r 值进行假设检验： （1）建立检验假设 ，即身高与前臂长之间不存在线性相关系 ，即身高与前臂长之间存在线性相关关系 （2）计算统计量 linear correlation （3）确定 P 值，作出结论 查 t 界值表，得 ， ，拒绝 ，接受 ，可以认为男青年身高与前臂长之间存在正相关关系。或查 r 界值表 ， ， 结论相同。 linear correlation 一、线性回归分析的应用 1. 线性回归方程可应用于以下三个方面： ① 分析两个变量之间是否存在线性依存关系； ② 利用回归方程由自变量 X 对应变量Y 进行估计，必要时可以作区间估计； 第三节 线性回归与相关应用的注意事项 ③ 利用回归方程进行统计控制，即利用回归方程进行逆运算，通过控制自变量 X 取值来限定应变量Y在一定范围内波动。 2. 作回归分析时，如果两个有内在联系的变量之间存在因果关系，那么应该以原因变量为X ,以结果变量为Y ；如果变量之间因果关系难以确定，则应以易于测定或变异较小者为X 。 3. 在回归分析中，自变量X 既可以是随机变量（称为Ⅱ型回归模型，两个变量都服从正态分布），也可以是给定的量（称为 I 型回归模型，在 X 取值固定时Y 服从正态分布）。如果Y不服从正态分布，在进行回归分析前，应先进行变量的变换以使应变量符合回归分析的要求。 4. 使用回归方程估计Y 值时，尽量不要把估计的范围扩大到建立方程时的