第14章 直线回归分析.pptxVIP

直线回归分析 第十四章 陈卫中 副教授 公共卫生系流行病与卫生统计学教研室 2017年11月26日星期日 例14.1 探讨男性腰围(WC)与腹腔内脂肪面积(VAT)的关系 利用腰围预测腹腔内脂肪面积 随机抽取了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) 引例 内容提要 研究变量间数量依存关系，并以函数的形式表达这种关系的统计学方法 回归分析 数量依存关系的专业解释 从专业上来看，存在数量依存关系的变量间的关系 因果关系 影响因素作用于研究对象必然事物的发生或所处状态产生影响(效应) 影响因素不同水平产生的效应不同 伴随关系 Z X Y 根据被预测变量(Y)的类型及函数形式不同 简单线性回归(Simple linear regression) 多元线性回归(Multivariate linear regression) logistic回归(Logistic regression) Cox回归(Cox regression) 非线性回归(Curve regression) 常见的回归形式 是一种研究两变量间数量依存关系，并寻找最能代表这种关系的直线的统计方法 回归：数量依存关系 简单：两变量 Y：被预测的变量，称为因变量(dependent variable)或反应变量(response variable) 必须是定量变量 X：Y所依存的变量，称为自变量(independent variable)或解释变量(explanatory variable) 可用数字进行表达 线性：直线函数 简单线性回归 内容提要 明确X、Y，并定量化 确定回归模型：绘制散点图 估计模型中的参数，形成回归方程 绘制回归函数图形 回归分析的统计推断 回归模型诊断 回归方程预测效果的评价 回归分析的基本步骤 确定因变量 (结局变量，Y)与自变量 (X) 因果关系：医学常识、专业意义确定 伴随关系：研究目的 确定X、Y 明确X、Y，并定量化 确定回归模型：绘制散点图 估计模型中的参数，形成回归方程 绘制回归函数图形 回归分析的统计推断 回归模型诊断 回归方程预测效果的评价 回归分析的基本步骤 根据资料，绘制散点图 建立坐标系 每个点表示一个观测对象 点的密集程度和趋势来表示两个变量间的数量关系 确定回归模型，散点图的绘制 表14.1 20名男性志愿受试者腰围和腹腔内脂肪面积的测量值 编号 腰围 (cm) 腹腔内脂肪面积 (cm2) 编号 腰围 (cm) 腹腔内脂肪面积 (cm2) 1 81.3 69.8 11 93.5 108.2 2 85.6 61.2 12 103.8 129.0 3 85.9 80.3 13 97.5 110.4 4 87.8 75.5 14 98.3 123.3 5 79.0 75.7 15 99.7 105.5 6 82.5 85.4 16 87.2 83.1 7 95.2 102.5 17 84.1 72.0 8 96.1 99.6 18 88.0 100.0 9 94.4 97.8 19 101.0 105.0 10 90.6 100.9 20 88.3 127.7 散点图的绘制 20名男性志愿受试者腰围和腹腔内脂肪面积的测量值散点图 81.3,69.8 绘制散点图的意义 是否存在线性趋势 散点完全在一条直线上 Y变量的变异完全由X变量的变化来解释——确定性关系 散点未完全落在一条直线，只存在线性趋势 Y变量的变异不完全由X变量的变化来解释——非确定性关系 不存在回归关系 不存在线性关系 有无异常点 有无混杂因素影响—同质性 y=+  x (98.3, 123.3) + 98.3 确定回归模型 说明1个因变量和1个自变量间数量依存关系，并用线性函数表达 非确定性关系 直线回归模型的表达 y|x=+x：X确定时其值不再变化，故又称为固定部分 统计学意义：X为某一定值时Y的总体均数，又称为条件均数 专业意义：X为某一定值时Y的预测值 截距(intercept)，或0表示 回归直线在Y轴上的截距，即x=0时Y的条件均数 回归部分 亦称回归系数(regression coefficient), 表示 X每变化1个单位时，Y平均变化个单位 =0，X与Y之间无数量依存关系 0，X与Y之间存在数量依存关系 协同变化的方向  0，X、Y同向变化  0，X、Y反向变化 斜率(slope) 残差(residual) =Y-(+X)，实测值与条件均数之间的差异 为随机误差，无方向性 假定其服从正态分布 总体均数为0 方差2，且不随x的变化而变化——与X无关 残差间相互独立 明确X、Y，并定量化 确定回归模型：绘制散点图 估计模型中的参数，形成回归方程