第六章 相关和回归5.13.ppt

区别 ①相关分析所研究的变量是对等关系；回归分析所研究的两个变量不是对等关系。 ②对两个变量来说，相关分析只能计算出一个相关系数，而回归分析，可分别建立两个不同的回归方程。 ③相关分析要求两个变量都必须是随机的，而回归分析的要求，自变量是给定的，因变量是随机的。 一、直线回归的模型 一元线性回归模型是最简单的回归模型，又称为简单线性回归或简单回归：只有一个自变量的直线回归。 在一元线性回归模型中，X为可以精确测定和控制的变量，且当X取得某确定值时，对应的Y值相互独立，服从正态分布。 图6-8 简单线性回归统计学模型 μy=α+βx 总体回归方程 　 样本直线回归方程 a：截距（intercept）。 b：斜率（slope），回归系数 x每改变1个单位时y平均改变b个单位。 b0表示自变量↑应变量↑ ，直线上升。 │b│↑→越陡→ y随x变化率大。 b=0，表示回归直线与X轴平行，即X与Y无直线关系。 二、直线回归分析的应用条件： 1、XY具有线性相关关系 2、对于每一个确定的X，相应的Y值间独立 3、Y值具有正态性。 4、对于任意一组自变量值，因变量Y具有相同的方差 三、直线回归方程的建立、检验与应用 1.建立：最小二乘法原则，使各个实测点到回归直线纵向距离的平方和最小。a，b的计算公式由此推导出来。 2.应用：在样本数据范围内。 3.检验：用样本数据建立的直线回归方程是样本方程，样本方程是否能在总体上反应两个变量之间的直线回归关系，需要对样本方程进行假设检验。 （1）回归方程的假设检验采用方差分析。 （2）将总的变异SS总分解为SS回归和SS剩余，然后利用F检验来判断回归方程是否成立。 4.对回归方程总体进行假设检验以后，需要对回归系数b进行检验。 回归系数的检验采用t检验。 假设β=0，即X和Y之间不存在依存关系。 5.b为总体回归系数β的点估计，可用公式6-15对总体回归系数β做区间估计。 6.决定系数（R2） R2 = SS回 /SS总 = (SS总－SS剩 )/SS总 =1－SS剩 / SS总 。 R2表示y的总变异中被x所决定的部分占多少比例。 0≤R2 ≤ 1， → 1，回归效果越好，模型对数据的拟合效果越好，用回归方程进行预测也越有意义。R2 是评价回归效果的重要的指标。 对例题6-1的资料做直线回归分析 1、考察资料是否满足应用条件 2、绘制散点图 3、求直线方程 4、回归方程的假设检验 5、回归系数的假设检验 6、用决定系数评价回归方程 7、绘制回归直线 8、残差分析 9、回归方程的应用 表9-1 某地10名三岁儿童的体重与体表面积数据 P112【SPSS操作】以“（胰岛素）”、“（血糖）”为变量名，建立2列20行数据集li0601.sav。 （1）正态性检验：Analyze → Descriptive Statistics → explore →胰岛素、血糖入Dependent variable→ plots → Nomality plots with tests →OK （2）作散点图 ：Graphs（绘图）→Legacy Dialogs→ Scatter/Dot（散点图）→Simple Scatter→Define,“血糖”→Y Axis（轴）框，“胰岛素”→X Axis（轴）框,→OK。 （3)线性回归： Analyze→Regression→Linear，“血糖→Dependent，“胰岛素”→Independent框→OK。 改用影像1-2班统计学与科研方法成绩分析： 正态性检验P＝0.000（非正态）→等级相关P＝0.000（相关系数rk＝0.293，rs ＝0.405，不用r表达）→直线回归（y=40.63+0.50x ） 第五节　多重线性回归 一、多元(多重)线性回归( multiple linear regression) 1个应变量与多个自变量之间线性依存关系。 Example：SBP versus age, weight, height, etc 偏回归系数的含义：β1表示当Ⅹ2， Ⅹ3……等等不变时， Ⅹ1每变动一个单位，因变量Y的平均变动量。 二、基本条件 ① xy呈线性关系； ② x 互相独立； ③ y正态分布。 三、多重线性回归方程的建立：最小二乘法原理。 确定n：n应自变量个数m的5倍、最好20倍，否则效能不足。 n↑→结果越稳定。 标准化偏回归系数用来评价每个自变量对因变量的作用大小