SPSS在医学统计学中的应用研究报告.ppt

1.直线相关 2.直线回归 十、双变量相关与回归分析 在医学科研的过程中，经常会遇到分析两个变量之间的关系，例如，体重与肺活量，年龄与血压，身高与体表面积之间的关系，此时，经常用相关与回归分析来解决。在进行相关与回归分析之前必须先做散点图，判断量变量之间是否存在线性趋势，当两变量间存在线性趋势时，才考虑做相关或者回归。 直线相关是研究两个变量之间线性关系的一种常用统计方法，分析的是两变量之间是否存在直线相关关系，以及相关的方向和程度。作直线相关分析要求资料服从双变量正态分布。对于不符合双变量正态分布的资料，不能直接计算相关系数，可用非参数统计方法。 1.直线相关 例2.某地研究了8名正常儿童的尿肌酐含量Y(mmol/24h)，使计算尿肌酐的含量与其年龄的相关系数。 建立数据文件，取两个变量，X：年龄；Y：尿肌酐含量。两变量均为数值型。 散点图的制作 结果显示年龄和尿肌酐含量的相关系数为0.882，p=0.004，有统计学意义。 Pearson相关：极距相关系数，系统默认项，主要用于符合双变量正态分布资料的相关分析。 Kendall’s tau-b：Kendall’s等级相关系数，是反映两个分类变量一致性的指标。 Spearman：spearman相关系数是非参数相关分析，即秩相关分析。 补充： 医学研究中常要定量刻画应变量Y对自变量X在数量上的依存关系，常常将易于测量的变量作为X，另一个随机变量作为Y。直线回归分析的使用条件：对于每个X相应的Y要服从正态分布，X可以是正态随机变量也可以是能精确测量或严格控制的非随机变量。 2.直线回归 仍以例2的资料为例，建立数据文件，数据文件中的变量仍为X、Y。 方差分析的结果显示，对回归模型进行F检验，F=20.968，p=0.004，提示该回归方程有统计学意义。常数项和年龄的未标化回归系数为1.662和0.139，因此本例的回归方程可表达为Y=1.662+0.139X 1.多元线性回归分析 2.逐步回归分析 十一、多元线性回归 在科研工作中，设计大量多因素的相互作用问题，多元线性回归分析就是通过作出多元线性回归方程，描述一个应变量Y与多个自变量X间的线性依存关系。 多元回归方程分为多元线性回归方程和多元非线性回归方程。 多元线性回归分析的目的是作出以自变量估计应变量的多元线性回归方程。 以书后练习11.18为例，建立数据文件 数据文件包含6个自变量：age, weight, runtime, rstpulse, runpulse, macpulse;一个应变量，肺活量oxy；一个序列号变量case。 1.多元线性回归分析 描述性统计资料显示各变量的描述性统计量，即各变量的均数、标准差 “相关”显示个变量相互之间的相关系数，按单侧计算person 相关系数，以矩阵形式输出 模型摘要是对你和的多元线性回归方程模型作评价，即用负相关系数R和决定系数R2来评价，本例R=0.921，R2=0.849，说明对oxy拟合包含了age, weight, runtime, rstpulse, runpulse, macpulse的线性回归方程，oxy的总离均差平方和能被以上6个自变量解释84.9%。 变异数分析，是使用发叉分析对拟合的多元线性回归方程作显著性检验，本例F=22.433，p=0.000，即拟合的多元线性回归方程有统计学意义。 标准化系数可以用来比较各个自变量对因变量的影响强度，通常在有统计学意义的前提下，标准化回归系数的绝对值越大说明相应自变量对因变量的影响越大。本例6个自变量对oxy的影响最大的是runtime（-2.629），建立的多元线性回归方程为： Y=102.923-0.227X1-0.074X2-2.629X3-0.022X4-0.370X5+0.303X6 通过点击可以切换两种视图方式。表格的顶部为变量特征，左侧是变量的序号。定义变量的内容有：变量名、变量类型、变量宽度、保留小数位数、变量标签、变量值标签、缺失值、变量显示宽度、对齐方式、度量类型。 * * 计数资料的配对设计常用于两种检验方法、培养方法、诊断方法的比较。其特点是样本中每个个体分别接受两种方法的处理，观察两种处理方法的二分类变量的技术结果。配对四格表的样本资料表示如下表： 2.配对四格表x2检验 建立数据文件，建立数据文件时，取3个变量，一个为“正常体重”，变量标示：1=“发生”，2=“未发生”；一个为 “肥胖”，变量标示：1=“发生”，2=“未发生”；一个为“freq” ，表示各指标的发生频率。 以书后练习7.5为例，整理四格表： 统计分析：“数据”→“加权个案”→“分析”→“描述统计”→“交叉表格”→“statistic”，点选“McNemar”选项。 本例p=0.143，按α=0.05水准，不能拒绝H