直线回归分析直线回归分析介绍的相关.DOCVIP

第十四章 直线回归分析 第十三章介绍的相关系数可用来说明两变量之间相伴随而呈线性变化的趋势和关联强度，并不能用其中一个变量来预测另一个变量的值。在实际工作中，研究者常常需要通过易测的变量对难测变量进行如回归回归 一、直线回归的概念 回归。表示；所依存的变量称为自变量(independent variable)或解释变量(explanatory variable)，常用x表示。 例14.1 某研究欲探讨男性腰围与腹腔内脂肪面积的关系，对20名男性志愿受试者测量其腰围(cm)，并采用磁共振成像法测量其腹腔内脂肪面积(cm2)，结果如表14.1所示。试建立腹腔内脂肪面积()和腰围()的直线回归方程。编号 腹腔内脂肪面积(cm2) 1 81.3 69.8 2 85.6 61.2 3 85.9 80.3 4 87.8 75.5 5 79.0 75.7 6 82.5 85.4 7 95.2 102.5 8 96.1 99.6 9 94.4 97.8 10 90.6 100.9 11 93.5 108.2 12 103.8 129.0 13 97.5 110.4 14 98.3 123.3 15 99.7 105.5 16 87.2 83.1 17 84.1 72.0 18 88.0 100.0 19 101.0 105.0 20 88.3 127.7 以腰围为横坐标，腹腔内脂肪面积为纵坐标绘制散点图，如图14.1所示，可见散点大致呈直线趋势。 图14.1 两变量直线回归关系散点图 即假设有一条潜在的直线可用来刻画两变量之间的关系，这样的直线称为回归直线。通常用来表示回归直线上各点的纵坐标，其数值是当取某一值时因变量的平均估计值。与单变量问题类似，由于个体观察值不一定总等于其均数，所以散点图中各点不会恰好都在回归直线上，故两变量的直线关系并非是一一对应的函数关系。描述随的变化而变化的方程称为直线回归方程(linear regression equation)，也称为直线回归模型，可表示为 (14.1) 式中，a为回归线的截距，等于0时，的平均估计值；b为回归线的斜率改变一个单位时的平均改变量。，表示回归直线从左下方走向右上方，即随增大而增大；，表示回归直线从左上方走向右下方，即随增大而减小；，表示回归直线平行于轴，即与无线性依存关系。回归的(一) 回归估计的最小二乘a和ba、b实际上就是如何能合理地找到一条能最好的代表数据点分布趋势的直线，使得每个实测值与这条“理想”的回归直线的估计值最接近。)有正有负，故通常取()平方和最小，统计学上将各点距回归直线的纵向距离平方和最小这一原则称为最小二乘(least square method)。 (二) 回归的估计方法 最小二乘取得最小值时所对应a和b (14.2) (14.3) 式中为与的离均差交叉乘积和，简称离均差积和，可按式(1)计算 (14.4) 下面以例14.1资料说明建立直线回归方程的具体步骤。 1．绘制两变量之间的散点图，如图14.1所示，观察到二者存在直线趋势，故可进行直线回归分析。 2．由， 回归系数b截距a式14.2)可得， 由式14.3)可得， 4．得回归方程为 在的实测值范围内，任取相距较远且易读数的两个值，代入方程得到两个值，连接两点即可绘制回归直线。本例分别取值79和88，得到分别为70.340和89.335，连接点(79, 70.340)和(88, 89.335)即得回归直线。 第二节 直线回归的统计推断 一、总体回归系数的回归方程的总体条件均数是否随的变化而呈线性变化。总体回归方程形式如下： (14.5) 式中，和是前述a和b所对应的总体参数；为对应于各值的的总体均数，即总体条件均数；为误差项或残差。 由式(14.5)可见，当总体回归系数时，的总体均数为常数，此时两变量无直线回归关系，但由于抽样误差的存在，样本回归系数不一定为零，故推断总体中两变量是否存在回归关系，还须对总体回归系数是否等于0进行统计推断。 (一) 的离均差平方和作分解，如图14.2所示。 图1中，任意一点与均数截成三段，其中：。由于是散点图中任取的一点，若将全部数据点都按上法处理，并将等式两端平方后再求和则有： (14.6) 上式也可表示为： (14.7) 即y与x的回归关系时y的总变