心理统计学分析.ppt

第十二章 线性回归 线性回归模型的建立方法 回归模型的检验与估计 回归方程的应用 回归分析与相关分析的关系 回归分析和相关分析均为研究及度量两个或两个以上变量之间关系的方法。从广义上说，相关分析包括回归分析，但严格地讲，二者有区别。当旨在分析变量之间关系的密切程度时，一般使用相关系数，这个过程叫相关分析。倘若研究的目的是确定变量之间数量关系的可能形式，找出表达它们之间依存关系的合适的数学模型，并用这个数学模型来表达这种关系形式，则叫做回归分析。 变量与变量之间的相关关系虽然不是确定的函数关系，但在大量的观察下，仍然可以借助一些数学模型表达它们之间的规律，这种表达变量之间规律的数学模型称为回归模型。 在回归方程： 中， bY·X叫做Y 对X 的回归系数。 在回归方程： 中， bX·Y叫做X 对Y 的回归系数。 回归模型与回归系数 平均数方法 如果只想从一组（X，Y）值中粗略地看看X 与Y 的简单线性关系，有时可以用平均数法建立回归方程来描述这种关系。 最小二乘法 如果想得到比较精确的回归方程，则常用最小二乘法。所谓最小二乘法，简单讲就是使误差的平方和最小。 设所求的回归方程为： 则每一点到直线的纵向距离的平方和为： 求回归方程就是求上式达到最小值时a与b的值，而要使上式为最小，只需上式分别对a与b求偏导数，并令其等于零，即 解此方程组可得 回归方程建立的方法 回归系数与相关系数的关系 相关系数是两个回归系数的几何平均数，即 。 简单回归与相关系数的计算，都是以两个连续变量的共变数为基础，其基本原理相似。在进行回归分析时，由于目的在于用某一变量去预测另一变量的变化情形，往往是单向地分析两变量的变化关系，是一种不对称设计；但是在计算相关系数时，考虑的是两个变量的变化情况，相关表示两方面的平均关系，属于对称性设计。 线性回归的基本假设 （1）线性关系假设 （2）正态性假设 （3）独立性假设 （4）误差等分散性假设 线性回归模型的有效性检验通常使用方差分析的思想和方法进行。 平方和： 自由度： 检验的统计量： 回归模型检验方法之一：回归模型的有效性检验 检验的统计量为： （H0 ：β= 0 ） （ 其中 ） 回归模型检验方法之二：回归系数的显著性检验 在线性回归中将回归平方和与总平方和之比值叫做测定系数，即 测定系数表示两个变量共同变异部分的比率。 测定系数 （1）用样本回归方程进行预测或估计 有了Y 对X 的回归方程，也就是找到了X 与Y 之间变化的数量关系，对于任意一个Xi 值，都有可以用此模型估计出与之对应的具体Y 值或Y 值的范围。 （2）真值的预测区间 真值Y0 的（1-α）% 的预测区间为： 回归方程的应用 回归分析与相关分析的综合应用的具体步骤 （1）将成对资料绘制散点图，从散点图中点子的分布形状判断和是否有线性关系； （2）建立回归方程； （3）回归方程显著性检验； （4）计算回归估计标准误差； （5）根据建立的回归模型进行预测，估计真值预测区。 第十三章 多变量统计分析简介 多因素方差分析 多重线性回归 因子分析 因素和水平 因素是指实验中的自变量。 水平是指某一因素的不同情况。 交互作用与主效应 交互作用是指因素与因素相结合共同发生的影响。 主效应是指某一因素平均差数的差异。 多因素方差分析的基本概念 总平方和的分解 在两因素的完全随机设计中： 在两因素的随机区组设计中： 整体效应的检验与图示 　　 二因素方差分析的整体效应的检验，包括两个主效应与交互效应三部分。各因素主效应的检验与单因素方差分析相同，通过计算各因素内不同水平的平均数离散量（组间均方和），除以误差离散量（被试间组内均方和）得出值。若值达到显著水平，即表明该效果显著。 　　主效应和交互效应除了用检验来检验其显著性之外，同时也可以用图示法来呈现。值得注意的是，用图示来呈现平均数的差异，其优点是易于