第十八章直线相关与回归分析.pptVIP

第十八章 直线相关与直线回归分析 预防医学教研室 Preventive Medicine Department 本章要求 掌握 直线相关、直线回归的基本概念 相关系数、回归系数的意义及计算 熟悉 相关、回归系数的假设检验 直线回归的应用 相关、回归分析的注意事项 客观世界中的种种现象可分为确定性现象和非确定性现象两类。 就两个变量而言，如果对一个变量的每个可能取值，另一个变量都有完全确定的值与之对应，则称这两个变量之间的关系呈现函数关系(圆周长＝2πr）。 在生物医学研究中，变量之间的关系多不是确定的，表现为具有随机性的一种“趋势”，也即自变量(independent variable)取不同数值时，应变量(dependent variable)可是不同的取值，而且某值的出现完全是随机的。 但是对应 X 在一定范围内的不同取值，应变量 Y 随 X 的变化呈现一定的趋势。 人的身高与体重、收缩压与年龄之间的关系，一般说来，身高愈高的人，体重也重一些；年龄愈长者，收缩压也越高，从总体上看，都有某变量随另一变量变化的趋势。但这种关系显然不是函数关系。 相关与回归分析就是研究两变量之间非确定性关系的一种统计方法。 两变量间关系大致有两种： 两变量共同变化，一个变量增大，另一个变量随之增大或减小（相关分析）； 两变量中一个变量依存于另一个变量（回归分析）。 当我们关心两个变量是否有直线相关关系，如有直线相关关系，那么它们之间的关系是正相关（positive correlation），还是负相关（negative correlation）以及相关程度（degree of relationship）如何，此时可应用相关分析。 例18-1 测得20名男生和其父亲的身高如下， 请问父母身高与儿子身高是否呈线性相关， 相关程度如何？ 表18-1 20岁男生和其父亲的身高测量结果 一、绘制散点图 二、计算相关系数 基本数据 ∑X=3376， ∑Y=3407 ∑X2=571728， ∑Y2 = 581081， ∑XY=576161 lxx =1859.2， lYY =698.55， lXY =1059.4 相关系数特点： 相关系数 r 是无单位数值，-1≤r ≤1； r＞0：正相关， r＜0：负相关， r=0：零相关； ︱r︱的大小表示双变量相关程度的大小， ︱r︱越接近于1相关性越好，越接近0相关性越差。 三、相关系数的假设检验（一）t 检验 1、建立检验假设 H0： 总体相关系数为0，无线性相关关系 H1： 总体相关系数不为0，有线性相关关系 α＝0.05 2、计算统计量 已知：r=0.91097 n=16 3、确定 P 值，作出推论（查 t 界值表） υ= n－2 ＝18 　t0.05,18= 2.101，tr t0.05(18) ， P 0.05。 按α= 0.05 水准拒绝H0，接受H1 ，可认为父子间身高的相关系数不为0，两者间有正相关。 问题：若 P 值非常小，能说明父子间身高高度相 关吗？ （2）查 r 界值表 直接查相关系数 r 界值表附表18-1 r0.05,18=0.444， r＞r0.05,18，P＜0.05 结论同前 直线相关分析 统计描述：两变量间是否有相关性，线性或非 线性，正相关或负相关； 统计推断：两变量间线性关系是否有统计学意 义，相关程度如何； 统计应用：相关系数大小和方向，如何结合专 业知识进行解释。 直线相关分析步骤： 绘制散点图 计算相关系数 相关系数的假设检验 补充例：SAH 患者血清和脑脊液白细胞介素IL－6 (pg/ml)检测结果 患者号 1　 2 3　 4　 5　 6　 7　 8 　 9 　10 血清(x) 22.4 51.6 58.1 25.1 65.9 79.7 75.3 32.4 96.4 85.7 脑脊液(y) 134.0 167.0 132.3 80.2 100.0 139.1 187.2 97.2 192.3 199.4 计算步骤如下：（一）绘制散点图：先根据原始资料作散点图，初步判断 　SAH 患者血清和脑脊液白细胞介素IL－6 (pg/ml) 本例 （三）相关系数的假设检验（1）t 检验（2）查 r 界值表 相关分析应用中的注意事项 作直线相关分析前必须作散点图； 出现异常值时慎用相关，异常值对相关系数影响较大； Pearson 相关系数的计算适用于双变量正态资料； 相关关系不一定是因果关系，相