第九章直线相关与回归课件.pptVIP

相关与回归 不确定性关系 医学上，许多现象之间有相互联系，然而并不像函数那样是确定性关系。例如：身高与体重、体温与脉搏、年龄与血压等。在这些有关系的现象中，它们之间联系的程度和性质也各不相同。有些变量间关系密切，有些不密切以；有些是因果关系；但是，有的现象之间因果不清，只是伴随关系。 直线相关与回归就是用于研究和解释两个变量之间关系的统计方法。 散点图(scatter diagram) 为了描述两变量之间的关系，首先在直角坐标系上描述这些点，这一组点集称为散点图。 为了研究父亲与成年儿子身高之间的关系，卡尔.皮尔逊测量了1078对父子的身高。把1078对数字表示在坐标上，如图。用水平轴X上的数代表父亲身高，垂直轴Y上的数代表儿子的身高，1078个点所形成的图形是一个散点图。它的形状象一块橄榄状的云，中间的点密集，边沿的点稀少，其主要部分是一个椭圆。 回归方程 直线回归的任务就是要找出因变量随自变量变化的直线方程，我们把这个直线方程叫做直线回归方程。 最小二乘法(least square method)： 回归直线的描绘 根据求得的回归方程，可以在自变量X的实测范围内任取两个值，代入方程中，求得相应的两个Y值，以这两对数据找出对应的两个坐标点，将两点连接为一条直线，就是该方程的回归直线。 回归直线一定经过（0，a ）， 。这两点可以用来核对图线绘制是否正确。 直线回归方程是从样本资料计算而得的，同样也存在着抽样误差问题。所以，需要对样本的回归系数b进行假设检验，以判断b是否从回归系数为零的总体中抽得。为了判断抽样误差的影响，需对回归系数进行假设检验。 总体的回归系数用β表示。 回归系数的假设检验 H0：β=0 H1：β≠0 α=0.05 选择合适的假设检验方法，计算检验统计量 （1）方差分析 F=MS回归/MS剩余 （2）t检验 计算P值 做出推论：统计学结论和专业结论 Y的离均差平方和的分解 几个平方和的意义 构建检验统计量F （2）采用t检验方法 关于SY.X (standard deviation of Y for fixed X) 直线回归的应用 ?描述两变量之间的依存关系：通过回归系数的假设检验,若认为两变量之间存在直线回归关系,则可用直线回归方程来描述。 ?利用回归方程进行预测 ：把自变量代入回归方程，对应变量进行估计，可求出应变量的波动范围。 ?利用回归方程进行统计控制。 ?与ANOVA结合，协方差分析。 过定点的直线回归 作标准曲线非常有用!(过原点) 相关的类型 相关系数概念 相关系数(correlation coefficient)， 又称simple correlation coefficient, coefficient of product – moment correlation， 或 Pearson’s correlation coefficient . 说明相关的密切程度和方向的指标。 相关系数的假设检验 上例中的相关系数r等于0.8529，是由样本计算所得，抽样误差难以避免。 因为，即使总体相关系数（?）为零时，由于抽样误差，从总体抽出的12例，其r可能不等于零。所以，要判断该样本的r是否有意义，需与总体相关系数?=0进行比较，看两者的差别有无统计学意义。 这就要对r进行假设检验，判断r不等于零是由于抽样误差所致，还是两个变量之间确实存在相关关系。 直线相关的应用 相关是研究两个变量间的相互关系，而且这种相互关系是用相关系数反映的。在相关关系有统计学意义的前提下，如果r的绝对值越大，说明两个变量之间的关联程度越强；反之，r绝对值越小，则说明两个变量之间的关系越弱。 一般说来，当样本量较大时，若r有统计学意义时，r的绝对值大于0.7，则表示两个变量高度相关；r的绝对值大于0.4，小于等于0.7时，则表示两个变量之间中度相关；r的绝对值大于0.2，小于等于0.4时，则两个变量低度相关。 Statistics in medicine 　|r|=0-0.25 little or no relationship 0.25-0.5 a fair degree of relationship 　 0.5-0.75 a moderate to good relationship 0.75 a very good to excellent relationship 应用直线相关与回归的注意事项 1.