单因素线性相关-医学课件.pptVIP

习惯上，相关系数的绝对值|r|在： 0.3以下，称为微弱线性相关； 0.3-0.5，称为低度线性相关； 0.5-0.8，称为显著线性相关； 0.8以上，称为高度线性相关。 直线回归 线性回归分析是基于最小二乘法原理产生古典统计假设下的最优线性无偏估计。 直线回归是回归分析中最基本、最简单的一种，是处理两变量（其中至少一个是随机变量）间线性依存关系的一种统计方法，即自变量只有一个的情况，故又称简单回归（simple regression），所得方程叫直线回归方程。 若引入回归分析的自变量有两个以上，那么就是多重线性回归分析或多元线性回归分析，所得方程叫多重线性回归方程。 简单线性回归方程： = a + bx 最小二乘法原理，此时估计误差平方和 最小。 直线回归方程的假设检验 样本回归系数b的假设检验 （1）方差分析； （2）t检验。 决定系数: 习惯上写成 ，称为确定系数（或决定系数），数值上等于自变量对因变量的贡献率，即用自变量能解释因变量变化的百分之多少。 越接近于1，回归拟合分析的效果越好，即价值越大。 注意：如果X与Y有回归关系，则一定存在相关关系，但是若存在相关关系，则不一定存在回归关系。 作直线回归分析时的注意事项： 1）两变量间的关系必须有实际意义。 2）计算直线回归的两变量，若X为选定的，则对应于每个X值的Y值必须服从正态分布，其即Y的均数；若X、Y都是随机变量，则要求X、Y服从双变量正态分布。否则先经变量变换，使资料符合要求后再进行回归分析。 3）用同一资料计算X推算Y，和由Y推算X的两个回归方程，结果不同。因此，要正确选定自变量。若两变量之间有因果关系，应以“因”为X；无法确定时，则以较易测定者或变异较小者为X。 4）观察值必须是同质的。如果有两个不同的子群，可能产生实际上不存在的回归，也可能忽视了确实存在的回归关系。 5）回归方程一般只适用于自变量X的原观察数据范围，而且实验条件也应与取得原观察数据的实验条件一致，不能任意外推。 实例讲解 实例3 某单位研究代乳粉营养价值时，用大白鼠作实验，得到大白鼠进食量和增加体重的数据见表2。 表2 8只大白鼠的进食量和体重增加量 求直线回归方程并对回归系数作假设检验。 实例讲解 1、由原始数据绘制散点图并初步分析（图2） 图2 大白鼠的进食量与增加体重散点图 实例讲解 ∑X=6328，∑X2=5048814， ∑Y=1273，∑Y2=206619， ，∑XY=1018263 2、计算回归系数b和截距a，求回归方程 回归方程： = -47.326 + 0.261x 3、回归系数假设检验： H0：β＝0，即进食量与增重之间无直线关系 H1：β≠0，即进食量与增重之间有直线关系 α＝0.05 方差分析表 实例讲解 查F界值表，得P0.01，按α＝0.05水准，拒绝H0，接受H1， 可认为大白鼠的进食量与增加体重间有直线关系。 实例讲解 t检验： 按υ=6，查t界值表，得0.01P0.05， 按α＝0.05水准，拒绝H0，接受H1，结论同上。 本题 故可用直线回归方程 来描述大白鼠的进食量与增加体重的关系。 实例讲解 4、计算总体回归系数β的95%可信区间 上限= 0.261－2.447×13.5107∕ =0.1022 下限= 0.261＋2.447×13.5107∕ =0.4198 总体回归系数β的95%可信区间： （b－t0.05(n－2) Sb，b＋t0.05(n－2) Sb） SPSS软件操作过程： 1、建立数据库 2、分析操作： 2.1 绘散点图 Graphs—— Scatter—— Simple—— Define: Y Axis: 增重 X Axis: 食量 OK 2.2 分析界面操作： Analyze—— Regression—— Linear—— Dependent: 增重 Independent: 食量 OK 回归系数 模拟的拟合参数 残差统计量 因变量 标准化预测值 预测值 预测区间 影响统计量 实例讲解 5、绘制回归直线 图3 大白鼠的进食量与增加体重回归直线 * * 单因素线性相关 与回归分析 临床流行病学应用研究室 周罗晶 现实世界中许多事物与事物之间存在着联系，统计