应用统计学相关与回归课件.pptVIP

例4 仍以数据corr.sav为例，进一步作回归分析，计算进食量与体重增量之间的回归方程。 分析： 与相关分析类似，在回归分析之前首先要考虑的问题是两变量是否存在某种趋势，通过前面的散点图已经得到了肯定的结论，因此直接进行回归分析。 简单回归分析 绘制散点图如下： 简单回归分析 ①两变量间存在线性相关趋势 ②没有发现明显的异常值 简单回归分析 选择 应变量 选择 自变量 简单回归分析 简单回归分析 结果分析 对各自变量纳入模型情况的汇总，本例只有一个自变量。 简单回归分析 结果分析 对模型的简单汇总，即对回归方程拟合情况的描述。本例决定系数为0.883。 简单回归分析 结果分析 对模型进行方差分析的结果，说明模型具有统计学意义。 最重要 简单回归分析 结果分析 给出了回归方程中的常数项、回归系数的估计值和检验结果，可写出回归方程如下： 体重增量 ＝ - 17.357＋0.222×进食量 小 结 相关系数r 表示两变量间的直线相关程度，r 值的范围为-1~1。r 为正表示X与Y之间为正相关，r为负表示负相关。r 接近于0表示两变量间关系不密切。但r 有抽样误差，故算得相关系数之后，必须检验相应的总体相关系数?是否为0。 小 结 研究中一般只涉及直线相关关系，但从理论上讲，可以进行变量间的曲线相关分析；如果希望扣除其他变量的影响，可以进行偏相关分析；如果变量不满足线性相关分析的适用条件，则可以进行Spearman秩相关分析。 小 结 ① 在意义和应用上，回归反映两变量间的依存关系，相关反映两变量间的相互关系。 ② 在资料要求上，相关要求X与Y都是随机变量，而且服从双变量正态分布，这种资料若进行回归分析，一般称为Ⅱ型回归模型。而回归要求应变量Y是随机变量，服从正态分布，自变量是固定的非随机变量，建立的模型称为Ⅰ型回归模型。 相关与回归既有区别又有联系。 ③ 相关系数和回归系数的正负号相同，假设检验一致。对同一样本，两者的t值等价。由于r 的假设检验可直接查表，较为简单，而b的假设检验较复杂，故可用r 的假设检验代替b的假设检验。 ④ 回归与相关可以相互解释： r2 ＝ SS回／SS总　　　　　　　　　 即相关系数的平方是应变量Y的总变异中归因于X的部分。 r2又称确定系数（determinant coefficient）。 小 结 重庆交通大学管理学院 * * 简单相关与回归 内容提要 相关分析简介 简单相关分析 偏相关分析 Distance 过程 简单回归分析 小结 相关分析简介 在医学科学研究中，常常要分析两个变量之间的关系，例如身高和体重、年龄和血压、体温和脉搏、药物剂量和疗效等问题，因此涉及到研究两个变量的相互关系。这时就涉及到两个变量之间的相关与回归。 积差相关系数，又称Pearson相关系数：定量描述线性相关程度好坏的常用指标，只适用于两变量呈线性相关时。 特点： 相关系数r 是一个无单位的量值，且-1 r 1； r 0 为正相关，r 0 为负相关； ?r ? 越接近于1，说明相关性越好；越接近于0，相关性越差。 Spearman等级相关系数：当数据不满足条件双变量正态时。 相关分析简介 连续变量的相关指标（最常见） Gamma统计量：描述有序分类变量数据联系强度的指标，以下指标都是基于Gamma统计量衍生出来的。 Kendall‘s Tau-b：反映两个有序分类变量的一致性。 Kendall‘s Tau-c： 对Kendall‘s Tau-b进行了校正。 相关分析简介 有序变量的相关指标 列联系数：基于?2值得出 Phi and Cramer‘s V：也是基于?2值得出 Lambda 系数：用于反映自变量对因变量的预测效果 不确定系数 相关分析简介 名义变量的相关指标 Eta Kappa 值 OR、RR等 相关分析简介 其他相关指标 相关分析简介 实际上，在Crosstabs 过程的statistics 子对话框 中提供了非常整齐的相关分析指标体系，如左图。 除了Crosstab过程的statistics 子对话框外，SPSS还在statistics菜单的correlation中提供了几个更专业的相关分析过程： Bivariate 过程：最常用 Partial 过程：专门进行偏相关分析 Distances 过程：一般不单独使用，而用于因子分析、聚类分析和多维尺度分析的预分析 相关分析简介 例1 某医院研究某种代乳粉的营养价值是用大白鼠做试验，得大鼠进食量和体重增量间的关系的原始数据如下，试分析两者有无直线