线性相关07.pptVIP

线性相关 相 关（correlation） Its statistical usage is rightly attributed to Francis Galton, who initially used the spelling “co-relation”. The correlation coefficient emerged from Galton’s work, after further elucidation by F.Y. Edgeworth and Karl Pearson In a rather loose sense, two characteristics or variables are said to be correlated if changes in one variable tend to be accompanied by changes in the other, in either the same or the opposite direction. In view of the more specific definitions to be discussed below, it would perhaps be preferable to use the term association（关联） for this informal usage. Correlation implies a linear relationship with superimposed random variation; association often loosely implies a monotone relationship 生物统计百科全书（8ed） 散点图 可以直观地显示两变量间有无关系 散点图 直线相关/线性相关 例10.1 随机抽取15名健康成人，测定血液凝血酶浓度及凝固时间。据此数据如何判断两项指标是否有关？ 散点图 相关系数correlation coefficient 定量描述两变量间相关程度的指标 Pearson积差相关系数 当等式右端为总体方差和协方差时,左端的相关系数就是总体相关系数 ;若右端为样本方差和协方差时,左端为样本相关系数r. 协方差covariance 对于双变量样本,当样本值为 时: X的样本方差是 Y的样本方差是 X和Y的样本协方差是 协方差covariance 对一组成对的样本值 当X和Y的离均差均为正或为负时,离均差积为正,变量X和Y”同向”---有正相关的趋势 当X和Y的离均差一正一负时,离均差积为负,变量X和Y”反向”---有负相关的趋势 表明了X和Y之间存在联系 协方差covariance 当X和Y的部分取值同向,部分取值反向,离均差积有正有负,其和接近0;表明X和Y之间无联系 协方差covariance 协方差是有量纲的,不便于比较 将其标准化后计算得到无量纲的相关系数 lxx,lyy,lxy分别是X的离均差平方和,Y的离均差平方和,X与Y的离均差积和 相关系数correlation coefficient 相关系数的特点 无量纲,-1r1 r0为正相关, r0为负相关 越接近1,相关性越好; 越接近0,相关性越差 r=0称X和Y不相关; r≠0 称X和Y线性相关 计算例10.1：凝血酶浓度和凝血时间之间的样本相关系数r=-0.926 样本相关系数，有抽样误差存在 需进行检验 只有总体相关系数 ,则X和Y是线性相关 假定X和Y均服从正态分布，检验假设 H0： H1： 相关系数的统计推断 t检验 其中sr样本相关系数的标准误 H0成立时，tr服从 的t分布 |tr|t0.05/2,v的概率为0.05 计算例10.1： 存在负关系 相关应用注意 要求X和Y服从双正态分布 样本的相关系数接近0，并不意味两变量间一定无相关 一个变量的数值是人为选定，不宜做相关。 出现异常值慎用相关 相关的合理性：相关未必真有内在联系 盲目合并造成假像 秩相关rank correlation 适用:不服从正态分布或总体分布未知的资料 特点:利用两变量的秩次大小作线性相关,对原变量的分布无要求,属于非参数方法 Spearman秩相关 X和Y分别编秩,以秩次计算相关系数 Spearman相关系数 假设检验 n较小时，查Spearman相关系数的临界值表 n比较大时，与Pearson积差相关系数的统计检验方法相同，做 t检