直线相关与回归 医学统计学基础课件.ppt

直线相关与回归 第一节 直线相关(linear correlation) 直线相关分析是研究两个连续性变量间有无线性相关关系、相关的方向及密切程度的统计方法。 分析的资料要求是X、Y均为随机变量，且均服从正态分布。 相关系数（correlation coefficient）是说明两个变量间线性关系的密切程度及方向的统计指标。 总体相关系数用?表示，样本相关系数用r表示，r是?的估计值。 相关系数及其意义 相关系数没有单位，取值范围是-1≤r≤1。r值为正，表示两变量呈正相关，X与Y变化趋势是正向的。r值为负，表示两变量呈负相关，X与Y 呈反向变化。 通常r的绝对值越接近于1，表示两变量相关关系越密切， r的绝对值等于1为完全相关，所有散点排布在同一直线上；反之，越接近于0，两变量线性关系越不密切，r=0 , X与Y无线性关系。 相关系数取值 几种散点图 例: 某医生随机抽查10例蛛网膜下腔出血患者血清和脑脊液的白细胞介素-6 (IL-6) (Ppg/ml), 问两者之间有无直线相关关系? 相关系数的计算 相关系数的计算 例2 根据表中SAH患者第一天血清和脑脊液IL-6(Ppg/ml)资料, 计算样本相关系数r值。 ∑X=592.6、∑Y=1428.7、∑X2=41222.14、∑Y2=220360.47、∑XY=91866.46。 样本相关系数r=0.7232，需进行假设检验。因为即使从?=0的总体作随机抽样，由于抽样误差存在，所得到的r值仍有可能不为零。需要对总体相关系数是否为0作假设检验。 假设检验的方法: t检验。 相关系数的假设检验 相关系数的t检验 H0：?=0 H1： ? ?0 只有当??0时，才能根据|r|的大小判断相关的密切程度。 H0: ? =0 H1: ? ≠0 α=0.05 本例ν=8，t0.05(8)=2.306, 本例t=2.9622.306, 故P0.05,按α=0.05的检验水平，拒绝H0, 接受H1，可认为SAH患者第一天血清和脑脊液IL-6之间存在正的直线相关关系。 SPSS操作 Analyze?Correlation?Bivariate Variable: x 、y Correlation coefficient: Pearson OK SPSS结果 第二节 直线回归（linear regression） 直线回归的概念 直线回归是研究两变量（X、Y）间的数量依存关系的统计方法。 由于X、Y之间的数量关系，并非一一对应的函数关系，被称为回归关系。直线回归分析是要确定一条最合适的直线回归方程，保证各实测点距回归直线的纵向距离的平方和最小，以此来描述两个变量间的回归关系。 直线回归方程 直线回归方程的表达式： ：是Y（实测值）的预测值（predicted value），是直线上点的纵坐标。对于每一个X值，根据直线回归方程都可以计算出相应的Y预测值。 a：是回归直线在Y轴上的截距，即X＝0时Y的预测值。 b：是回归直线的斜率，又称为回归系数。 表示当X改变一个单位时，Y的预测值平均改变|b|个单位。 直线回归方程的求法 a, b的估计是依据最小二乘法原理，可保证各实测点到回归直线的纵向距离的平方和是最小最 小 。 直线回归方程的求法 例 对10名SAH患者第一天血清和脑脊液IL-6(Ppg/ml)资料做回归分析。 ∑X=592.6、∑Y=1428.7、∑X2=41222.14、∑Y2=220360.47、∑XY=91866.46、=59.26、=142.87 t检验： ?=n-2 方差分析： ?总＝n-1, ?回=1, ?剩=n-2 回归系数的假设检验 (一) 回归系数t检验 H0：?=0，H1：??0 ?=0.05 t0.05(8)=2.306, 本例tr =2.9622.306, 故P0.05,按α=0.05的检验水平，拒绝H0, 接受H1，可认为SAH患者第一天血清和脑脊液IL-6之间存在正的直线相关关系。 (二)方差分析 SS总=SS回+ SS残 V总=V回+ V残 ?总＝n-1, ?回=1, ?剩=n-2 SS回=blxy==lxy2/lxx=b2 lxx