生物统计学4（副本）.docVIP

第七章 回归分析 第一节 回归和相关的概念 方差分析检验一个或多个因子对某一生物变量是否有影响，只涉及一种变量。两个以上变量之间的定量关系的统计分析需要回归分析来解决。在自然界，两个或多个变量相互制约、相互依存的现象很常见。 变量间的关系一般分为两种：一种是因果关系，即一个变量的变化受另一个变量或几个变量的制约，如微生物的繁殖速度受温度、湿度、光照等因素的影响，子女的身高是受着父母身高的影响；另一种是平行关系，即两个以上变量之间共同受到另外因素的影响，如人的身高与体重之间的关系，兄弟身高之间的关系等都属于平行关系。 设有两个随机变量X和Y，如果变量X的每一个可能的值，都有随机变量Y的一个分布相对应，则称随机变量Y对变量X存在回归（Regression）。 X也是随机变量时，X和Y相互存在回归关系，这两个随机变量间就存在相关（Correlation）关系。在实际应用中，并不严格区分相关和回归。 在回归和相关分析中，必然注意下面一些问题，以避免统计方法的误用。 (1)变量间是否存在相关以及在什么条件下会发生什么相关等问题，都必须由各具体学科本身来决定。回归和相关只能作为一种统计分析手段，帮助认识和解释事物的客观规律，决不能把风马牛不相及的资料凑到一起进行分析； (2)由于自然界各种事物间的相互联系和相互制约，一个变量的变化通常会受到许多其他变量的影响，因此，在研究两个变量之间的关系时，要求其余变量尽量保持在同一水平，否则，回归和相关分析就可能会导致不可靠甚至完全虚假的结果。例如人的身高和胸围之间的关系，如果体重固定，身高越高的人，胸围一定较小，当体重在变化时，其结果就会相反； (3)在进行回归与相关分析时，两个变量成对观测值应尽可能多一些，这样可提高分析的准确性，一般至少有5对以上的观测值。同时变量x的取值范围要尽可能大一些，这样才容易发现两个变量间的回归关系； (4)回归与相关分析一般是在变量一定取值区间内对两个变量间的关系进行描述，超出这个区间，变量间的关系类型可能会发生改变，所以回归预测必须限制自变量Y的取值区间，外推要谨慎，否则会得出错误的结果。 第二节 一元线性回归 研究两个随机变量的关系时首先要收集成对数据。 7.1 研究土壤中NaCl的含量对植物单位叶面积物质干重的影响时，收集到如下成对数据。问二者的回归关系如何？ NaCl的含量 0.0 0.8 1.6 2.4 3.2 4.0 4.8 单位叶面积干重 80 90 95 115 130 115 135 根据数据作散点图，分析：1. X与Y的关系密切否？2. 线性还是曲线关系？3. 有无偏离过大的点？ 从图中可以看出，二者有直线关系，如何求出离差最小的直线，正是本章介绍的主要内容。 1. 回归方程和回归显著性： 2. 显著性检验： 。回归关系显著。 3. 和的显著性检验： ： ， 式中：：回归系数标准误 X的校正平方和 误差均方： Y的校正平方和 校正交叉乘积和 时拒绝。 ：， 时拒绝。 题7.1的计算结果： ： ， ：， 回归方程：，回归达极显著水平。 采用Statistica软件包中的Linear Regression。 按下图作数据库； 在Analysis中选Resume Analysis,打开Model Definition,单击Variable窗口，选择自变量和因变量。点击OK。 3. 在下一窗口中点击Regression summary窗口，可以出现下图中下方的结果窗口。 4. 若要作图，点击Residual Analysis,可出现下一个窗口，点击Bivariate Correlation, 在下一窗口中选定X和Y轴的变量，点击OK 可以得到上一页的一张回归图。 第三节 一元非线性回归分析 直线关系是两变量间最简单的一种关系。更多的数据需要借助于一条曲线来描述。例如，细菌的繁殖速率与温度，作物产量与施肥量等都属这种类型。生物学中变量间的曲线关系通常有对数函数曲线、指数函数曲线、幂函数曲线、S型曲线等多种形式，许多曲线类型可以通过数据转换化成直线形式，利用直线回归方法配合直线回归方程，然后再转换成曲线回归方程。但也有一些很难直线化的非线性关系，一般要借助统计软件来解决。 1. 指数回归关系： 将取自然对数后，求其在上的直线回归。计算方法同上。 7.2 测得不同温度下棉铃虫的产卵数，求二者的回归关系。 温度（x） 21 23 25 27 29 32 35 产卵数（y） 7 11 21 24 66 115 325 1.9459 2.3979 3.0445 3.1781 4.1897