中国医科大学研究生医学统计学 第七讲 双变量回归与相.pptVIP

直线回归与相关应用的注意事项 1.根据分析目的选择变量及统计方法 2.进行相关、回归分析前应绘制散点图 3.用残差图考察数据是否符合模型假设条件 4.结果的解释及正确应用 SS回归表示在Y总的变异中，可以用X与Y的线性关系引起Y变异来解释的部分。 SS剩余= = SS总 - SS回归 SS残表示除X 对Y 的线性影响之外的一切其它随机因素对Y的影响。 这三个平方和的自由度依次分别为： ν总=n－1, ν回归=1, ν残=n－2。 具体分析步骤： 建立假设检验 计算检验统计量 查附表3（P710）F 界值表并作结论： ，则P ，拒绝H0 ，接受H1 ， 则P ，不拒绝H0 若 2. t 检验 ν=n－2 3.回归方程无统计学意义原因： （1）影响Y 取值的，除X 外，还有其它 不可忽略因素。 （2）Y 与 X 关系不是线性的，而存在 其它关系。 （3）Y与X 不存在关系。 六、线性回归方程应用： 1．描述X和Y之间依存变化的数量关系 2．利用回归方程进行预测预报 3．用容易测量的指标估计不易测量的指标 4. 利用回归方程获得精度更高的医学参考 值范围 5. 利用回归方程进行统计控制 七、线性回归分析中应注意的问题 1.作回归分析一定要有实际意义 2.回归分析之前首先应绘制散点图 3.考虑建立线性回归模型的基本假定(LINE)。 L-线性；I-独立性；N-正态性；E-方差齐性 4.不可外推。 第二节 直线相关 一、直线相关的基本概念 若一个变量X由小到大（或由大到小），则另一变量Y亦相应地由小到大（或由大到小），两个变量的散点图呈直线趋势，我们称这种现象为共变，亦就是这两个变量之间有“相关关系”。 散点呈直线趋势说明两变量之间存在 线性相关关系。 散点图中的点的分布，即线性相关的性 质和相关之间的密切程度，可分为以下 几种情况： 1.正相关:各点的分布呈现椭圆形，Y随X的增加（减少）而增加（减少），X随Y的增加（减少）而增加（减少） 2.负相关:各点的分布也呈现椭圆形，Y随X的增加而减少，X随Y的增加而减少 3. 零相关: 无论X增加还是减少，Y不受其影响，反之，X也不受Y的影响。 4.非线性相关： 图中各点分布可能表示X与Y存在某种曲线相关，但与线性相关已完全不同，称为非线性相关。 二、相关系数的意义与计算 1.相关系数的意义 ： 相关系数(coefficient of correlation)就是说明具有直线关系的两个变量间相关密切程度和相关方向的统计指标。 2. 相关系数的计算 其中 3.相关系数的性质 相关系数r没有测量单位，其数值为 -1≤r≤+1。 r值为正，表示正相关； r值为负，表示负相关； r值为0，则称零相关即无直线关系。 当r值的绝对值为1时，称完全相关。 4.注意： 生物界影响因素众多，r值为l的机会极少，因而很少有完全相关，经常见到的是r值介于-1与+l之间，即不完全相关。在例数相等的情况下，计算出的相关系数的绝对值愈接近1，相关愈密切；相关系数愈接近0时，相关愈不密切。 　　两变量间的直线关系不一定是因果 关系，也可能是伴随关系。 　　　三、相关系数的假设检验 建立检验假设： 1.查表法： 一种是按自由度 直接查附表13 （Ｐ７３１）的 r 界值表 。 2. t-test 自由度 四、决定系数的意义 r的平方称为决定系数 （coefficient of determination） r2反映出回归平方和在总平方和中所 占的比重。r2越接近1，回归效果越好； 应用决定系数，也可以从回归的角度 对相关程度做进一步的了解， 例如，r=0.5，r2=0.25，说明一个变量的变异仅有25% 由另一变量所引起，避免了对相关系数表示的相关程度的夸张解释。 五、相关分析应用中应注意的问题 1.相关分析要求两个变量是服从双变量正 态分布的资料。 2.进行相关分析前应先绘制散点图，散点 图呈现出直线趋势时，再作分析。 3.满足应用条件的同一份双变量资料，回归系数与相关系数的正负号一致，假设检验等价。 4.相关分析时，小样本资料经t-test 只能推断两变量间有无直线关系，而不能推断其相关的密切程度。要推断其相关的密切程度样本含量必须足够大。 线性相关和回归的区别与联系 一、区别 （一）资料要求上： 1．回归： （1）因变量Y（随