双变量回归与相分析;.ppt

双变量回归和相关分析 相关和回归分析 相关分析和回归分析的任务 研究对象：统计关系 相关分析旨在反映变量相互之间线性关系的强弱程度，无方向性，不考虑因果关系。 回归分析侧重于考察一个或几个变量（自变量）的变化对另一个变量（应变量）的影响程度，并通过一定的数学表达式来描述这种关系。具方向性，通常包含因果关系。 相关和回归分析 散点图分析(scatterplot) 相关分析(correlation analysis) 一元线性回归分析(univariate linear regression) 曲线拟合(curve estimation)不讲 绘制散点图 目的 将相互关联的变量数据对(X,Y)作为二维平面的座标点，构建直角座标图，即散点图，以探究两变量间数量变化的趋势，为相关或回归分析提供初步的思路。 方法 Graphs→Interactives→ Scatterplot 实例 用已知浓度X的免疫球蛋白A(IgA, μg/ml)作火箭免疫电泳，由于抗体抗原反应受扩散浓度梯度影响，形成的反应带呈火箭状。测得火箭高度Y(mm)如下表所示，试分析抗体浓度与火箭高度的相互关系。 X(μg/ml) 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 Y(mm) 7.6 12.3 15.7 18.2 18.7 21.4 22.6 23.8 先作散点图观察 实例-绘制散点图 步骤一： Graphs Interactive Scatterplot 实例-绘制散点图 步骤二： 确定横、纵座标 输出散点图 相关分析 作用: 用相关系数(r)体现两个变量间的线性关系程度。 r:[-1,+1]；r=1:完全正相关； r=-1:完全负相关；r=0:无线性相关。 说明: 相关系数只是较好地度量了两变量间的线性相关程度，不能描述非线性关系。 数据中的极端值对相关系数影响较大。 步骤 Analyze→Correlate→ Bivariate 相关分析 相关系数的计算: Pearson 相关系数：对一般连续性、正态性数据适用。 Spearman和Kendall相关系数： 对分类变量的数据或变量值分布明显非正态或分布不明时，计算时先对离散数据进行排序或对定距变量值排（求）秩 --秩相关。 实例-相关分析(数据同上) 步骤一： Analyze Correlate Bivariate 步骤二： 选择要分析的变量 选择相关系数计算方法 （默认Pearson法） 实例-相关分析(结果输出) 相关分析列联表 相关系数r=0.969 对零假设（r=0）的检验结果显示： P=0.0000.01 否定零假设即X和Y极显著相关 相关分析 偏相关: 在分析两个变量间线性关系时，往往因为第三个变量的作用,使相关系数不能真正反映两个变量间的线性程度。因此，有必要在控制住其他变量的影响下计算两个变量的相关关系，即所谓“偏相关”。 步骤 Analyze→Correlate→ Partial… 实例-偏相关分析 某地29名13岁男童身高（cm）、体重（kg）和肺活量（ml）的数据如下表，试对三变量作相关分析 一般讲，体重大的人肺活量也大，是否身高也与肺活量直接相关呢？由于体重与身高也存在关联，这三个变量彼此影响，问题相对复杂。 实例-偏相关分析 若分别作身高、体重和肺活量两两相关，结果如下 身高、体重正相关(r=0.719**)，体重、肺活量正相关(r=0.613**)，身高、肺活量(r=0.588**)正相关。