生物统计学课件07直线回归与相关.pptVIP

直线回归分析和相关分析是处理变量间关系的数学方法 将这些方法应用于生物科学研究时要考虑到生物本身的客观实际情况 变量间是否本身存在相关关系 其余变量尽量保持一致 观测值要尽可能的多 外推要谨慎 正确理解回归或相关显著与否的含义 显著的回归方程并不一定具有实践上意义 五、应用直线回归与相关的注意事项 同一变量往往受到许多其它变量的影响 研究两个变量间关系时，要求其余变量应尽量保持在同一水平 研究人的身高和胸围之间的关系 体重固定，身高?，胸围? 体重变化，结果就会变化 变量间是否本身存在相关关系 其余变量尽量保持一致 观测值要尽可能的多 外推要谨慎 正确理解回归或相关显著与否的含义 显著的回归方程并不一定具有实践上意义 五、应用直线回归与相关的注意事项 两个变量成对观测值应尽可能多一些?可提高分析的精确性，一般至少有5对以上的观测值 变量x 的取值范围要尽可能大一些?容易发现两个变量间的变化关系 变量间是否本身存在相关关系 其余变量尽量保持一致 观测值要尽可能的多 外推要谨慎 正确理解回归或相关显著与否的含义 显著的回归方程并不一定具有实践上意义 五、应用直线回归与相关的注意事项 在一定取值区间内对两个变量间的关系进行描述，超出这个区间，变量间关系类型可能会发生改变 回归预测必须限制在自变量x的取值区间以内，外推要谨慎，否则会得出错误的结果 变量间是否本身存在相关关系 其余变量尽量保持一致 观测值要尽可能的多 外推要谨慎 正确理解回归或相关显著与否的含义 显著的回归方程并不一定具有实践上意义 五、应用直线回归与相关的注意事项 相关系数不显著并不意味变量x和y之间没有关系，只说明两变量间没有显著的直线关系 相关系数或回归系数显著并不意味着x和y的关系必定为直线，因为并不排除有能够更好地描述它们关系的非线性方程的存在 变量间是否本身存在相关关系 其余变量尽量保持一致 观测值要尽可能的多 外推要谨慎 正确理解回归或相关显著与否的含义 显著的回归方程并不一定具有实践上意义 五、应用直线回归与相关的注意事项 一个资料x、y两个变量间的相关系数r =0.5，P0.001 r2=0.25，即x变量或y变量的总变异中，只有25%的变异可以借助直线回归来估计，其余75%的变异无法通过直线回归来估计 变量间是否本身存在相关关系 其余变量尽量保持一致 观测值要尽可能的多 外推要谨慎 正确理解回归或相关显著与否的含义 显著的回归方程并不一定具有实践上意义 五、应用直线回归与相关的注意事项 回归和相关的概念 掌握一元线性回归的基本原理和参数的最小二乘估计方法 掌握回归方程与回归系数的显著性检验 相关系数与回归系数的关系 * 2、参数? 和 ? 的估计 用最小二乘法拟合的直线与实际数据的误差比其他任何直线都小 通过计算因变量的观察值与估计值之间的离差平方和达到最小，来求得a和 b 的方法。即 最小二乘法（图示） x y (xn , yn) (x1 , y1) ? ? ? ? ? ? ? ? ? (x2 , y2) (xi , yi) ＾ ei = yi-yi ｝ 据微积分的极值原理，Q(a, b)对a, b 的一阶偏导数等于0，即 计算公式 【例】在四川白鹅的生产性能研究中，得到如下一组关于雏鹅重(g)与70日龄重(g)的数据，试建立70日龄重(y)与雏鹅重(x)的直线回归方程。 已知：?x2 = 118112，?x = 1182 ?y = 32650，?xy =3252610 1、作散点图 　　以雏鹅重（x）为横坐标，70日龄重（y）为纵坐标作散点图 2、计算回归截距a，回归系数b，建立直线回归方程 ?x2 = 118112，?x = 1182 ?y = 32650，?xy =3252610 y = 582.1816 + 21.7122 x ? 二、回归方程的显著性检验 若x和y变量间并不存在直线关系，但由n对观测值(xi，yi)也可以根据上面介绍的方法求得一个回归方程y = a+bx 显然，这样的回归方程所反应的两个变量间的直线关系是不真实的 如何判断直线回归方程所反应的两个变量间的直线关系的真实性？ ? 1、离差平方和的分解 因变量 y 变异来源于两个方面： 由自变量 x 的取值不同造成的 随机误差等其他因素造成的 对一个具体的观测值来说，变异大小可以通过该实际观测值与其均值之差y -?y 来表示 三个平方和的关系 两边平方后求和 dfy = n -1， dfR = 1 自变量个数，dfr = n – 2 SSy = SSR + SSr　　　　　　　dfy = dfR + dfr ? 总平方和 SSy { ? 回归平方和 SSR { ? 残差平方和 SSr { 总平方和：SSy = ?(