[医药卫生]06线性相关与回归.ppt

　线性相关与回归 Linear correlation regression 本章结构 线形相关 线形回归 等级相关 线形相关 Linear correlation 线性相关分析的注意事项 线性相关表示两个变量之间的相互关系是双向的，在分析前首先要绘制散点图，观察两变量间是否存在直线趋势，再做分析； 两个变量需都服从正态分布； 由样本计算出的相关系数并不意味着两变量间存在着相关关系，必须对总体相关系数做假设检验； 对相关系数的解释要结合专业。 线性回归 Linear regression 线性回归分析时的注意事项 两变量间有内在的联系 在回归分析时，应变量是随机变量，服从正态分布．自变量是严格控制的； 建立回归方程后，必需作假设检验； 自变量的取值范围不可任意扩大． 线性相关与回归的区别与联系 区别 1.相关分析时两变量需都服从正态分布；回归分析时应变量需服从正态分布，自变量可不服从正态分布； 2.线性相关表示两变量之间的关系是双向的；线性回归表示两变量之间的关系是单向的． 线性相关与回归的区别与联系 联系 1.对同一资料的分析，相关系数与回归系数的正负号是相同的；对相关系数与回归系数的假设检验是等价的； 2.相关系数与回归系数可互相解释： 确定系数：当SS总不变时，回归平方和的大小决定了相关系数的大小，反映了回归平方和在总平方和中所占的比重，越接近1，回归效果越好． 等级相关 Rank correlation 本章小结 conclusion 查附表，P0.01,按检验水准0.05，拒绝H0,接受H1，可以认为温度与蛙的心率之间沉重线性回归关系． t 检验法 检验的基本思想与单样本均数的t检验相同 样本回归系数的标准误 回归的剩余标准差 本例题计算： 查附表2，P0.001,按检验水准0.05，拒绝H0,接受H1，可以认为温度与蛙的心率之间沉重线性回归关系．结论与ANOVA相一致． 对回归方程的专业解释： 温度在2-18摄氏度之间时，每增加1摄氏度，蛙的心率平均增加1.775次． 线性回归方程的用途：预测、控制 * * 　确定关系：两变量间的关系是函数关系。已知一个变量的值，另一个变量的值可以通过这种函数关系精确计算出来。 　　 两变量间的关系 无关系　 有关系　　　 不确定关系：指两变量在宏观上存在关系，但并未精确到可以用函数关系来表达。非一一对应关系．　 　　身高与体重的关系 　　体温与心律的关系 当两个数值变量之间出现如下情况：当一个变量增大，另一个也随之增大(或减少)，我们称这种现象为共变，也就是有相关关系。　　　－－相关吗？ 若两个变量同时增加或减少，变化趋势是同向的，则两变量之间的关系为正相关；若一个变量增加时，另一个变量减少，变化趋势是反向的，则称为负相关 。 　　　　　　　 ——相关的方向 直线相关的概念 r=0 r=0 r＝-1 r＝1 完全正相关 完全负相关 零相关 零相关 0r1 -1r0 r=0 r=0 零相关 正相关 负相关 零相关 直线相关的图示 相关系数（linear correlation coefficient） 表示两变量间线性相关的性质和密切程度的指标. 又称为Pearson相关系数 。 总体相关系数用希腊字母ρ表示，而样本相关系数用r表示，取值范围均为[-1,1]。 相关的方向： r0：正相关 r0：负相关 r=0：零相关 相关的密切程度： 样本含量n足够大时，r绝对值越接近1。相关越密切。 直线相关的资料要求 直线相关，又称简单相关，用于双变量正态分布资料。 例如，同性别成人的身高与体重的关系： 对某一身高（如女性160cm），体重为正态分布； 对某一体重（如女性50kg），身高为正态分布。 相关系数的计算 例10.1 从女大学生总体中随机抽取12名女学生组成样本，分别测量每个学生的身高和体重。试计算身高和体重之间的相关系数。 绘制散点图 计算相关系数 表示体重与身高呈现正的相关关系 线形相关系数的假设检验 查表法 按检验水准0.05拒绝H0，可以认为女大学生身高与体重之间存在正相关性。 线形相关系数的假设检验 t 检验法 按检验水准0.05拒绝H0，可以认为女大学生身高与体重之间存在正相关性。 “回归”这个词是由英国统计学家F.Galton创立的。他在研究父子身高（1078对数据）关系时发现，高个子的父亲常生高个子的儿子，但儿子身高超过父亲的概率要小于低于父亲的概率；同样矮个子的父亲常生矮个子的儿子，但儿子身高比父亲更矮的概率要小于比父亲高的概率。也就是说不可能无限制的一代比一代高，或一代比一代矮。后代的高度有向平均高度回归的趋势；离开均值越远，所受到回归的压力也越大。“回归”这个词就由此而来。 什