线性回归-中国医药大学生物统计研究所.PDFVIP

中國醫藥大學 生物統計中心                                                                2010/08  第六章 線性迴歸  廖麗娜 統計分析師  邱顯財 統計分析師  前一章(第五章)介紹了「皮爾森相關係數與斯皮爾曼等級相關係數」，這二種方法是用來 描述兩連續變項間線性關係之強弱，並檢定其線性相關是否存在。此外，「簡單線性迴歸分析 (Simple linear regression analysis) 」也可以用來描述兩連續變項間的線性關係，更可以藉由迴 歸模式的建立，達到以自變項「預測(predict/ forecast) 」依變項的功能。在一般研究中，通常 會加入多個自變項於迴歸模式中，以探討不同自變項在調整其他自變項下，對於依變項的影 響，該方法稱為「多變項線性迴歸分析(Multiple linear regression analysis) 」，該方法中，依變 項的資料型態必須是連續型，自變項的資料型態可以是連續型的或類別型的資料。  1‐0. 資料型態與適用統計方法  研究問題(1) ：探討是否可以用洗腎病人之年齡解釋(或預測)其白蛋白濃度的變異(variation) ， 並檢定其預測是否達統計上顯著?  研究問題(2) ：探討洗腎病人中，年齡以及洗腎型態對白蛋白濃度的影響為何?  研究問題(3) ：探討影響洗腎病人白蛋白濃度的重要危險因子有哪些?  表01‐1 為本章將使用的變項及數據值，表01‐2 為資料型態與適用統計方法，參考表01‐2 ， 在「相關分析」中，除了使用「皮爾森相關係數(Pearson’s correlation coefficient) 」及「斯皮 爾曼等級相關係數(Spearman’s rank correlation coefficient) 」外，在本章將用「線性迴歸分析 (Linear regression analysis) 」來回答研究問題(1)~(3) 。這三個研究問題檢查的依變項(Y)為「洗 腎病人的白蛋白濃度」，自變項(X)包括病人的年齡及洗腎型態(血液透析或腹膜透析)…等等(詳 見表01‐1) 。  每一種統計方法有其適用的情形，或是背後的假設條件，記得每一種統計方法的使用時 機及限制是很重要的。當使用簡單線性迴歸分析時，其基本的假設條件，如下：  (1) 依變項Y 是連續型變項，且依變項的測量結果( y 值)間互相獨立；   2 (2) 在特定自變項x 的數值下，依變項Y 的分佈為常態分配，其平均數為μ ，變異數為σ ；  y |x y |x 2 (3) 在特定自變項x 的數值下，依變項Y 的變異數 是一個常數(假設變異數相等) ；  σ y |x (4) 特定自變項 x 的數值與依變項 Y 的平均數( μ ) 間之關係可由一條直線表示 y |x μ β =+β *x 。  y |x 0 1 (參考書目：Marcello Pagano and Kimberlee Gauvreau,  “Principles of Biosta