医药统计学-第八章-回归和相关.ppt

直线相关分析 一元线性回归分析 学习目的和要求 掌握线性相关系数的计算和相关显著性检验方法、一元回归方程的求法及显著性检验方法； 熟悉相关分析与回归分析的基本思想和基本概念； 了解一元拟线性回归方程的计算方法等。 在医药科学研究中，常要分析变量间的关系，如年龄与 血压、维生素片的含水量与贮存期、吸烟与肺癌、药物 剂量与动物死亡率、环境介质中污染物浓度与污染源的 距离等，回归与相关(regression and correlation)就是研究 这种关系的统计方法。 1．两变量之间的关系： 函数关系——确定性关系：因果关系，为一对一的关系。 eg: 、 。 相关关系——非确定性关系：包括因果关系和伴随关系， 为一对多的关系， 。 eg: 年龄与血压的关系。 2．线性回归与相关是研究两个变量间呈直线关系的最简单、最基本的分析方法。 回归分析：定量研究一个变量依赖另一个变量的关系。 子高 父高 相关分析：定性研究两个变量互相依赖的关系。 身高 体重 1、散点图（scatter diagram/scatter chart）：以直角坐标系中各 点的密集程度和趋势来表示两现象间的相关关系。 适用于连续性双变量资料。 相关分析的第一步工作：根据点的散布情况，推测两种事 物或现象有无相关 。 制图要求：一般横轴代表自变量或可进行精确测量、严格控制的变量，纵轴则代表与自变量有依存关系的因变量（图9.1）。 2、散点图可直观地说明、分析两变量的相关关系（定性描述）（图9.2）。 图a ——正线性相关或正相关：散点呈椭圆形分布，两变量X、 Y 变化趋势是同向的 (0r1)； 图b ——负线性相关或负相关：X、Y 呈反向变化 (-1r0)； 图c ——完全正相关：散点在一条直线上、且X、Y 是同向变 化的 (perfect positive correlation, r=1)； 图d ——完全负相关：X、Y 呈反向变化 (perfect negative correlation, r=-1)； e-h图 ——零相关：两变量间毫无联系或可能存在一定程度的 曲线联系而没有直线相关关系 (zero correlation, r=0)。 注： 正相关或负相关并不一定表示一个变量的改变一定是另一个变量变化的原因，有可能同受第三个因素的影响，即伴随关系。 （一）相关关系(1inear correlation)：即直线相关 1．定义：又称简单相关(simple correlation)，如果两个随机变 量中，一个变量X 由小到大变化时，另一个变量Y 也相应 地由小到大(或由大到小)地变化；并且两变量的散点图呈直 线趋势，则称这两个变量存在直线相关关系(correlation)。 2．分析内容：描述两变量间是否有直线关系以及直线关系的方 向和密切程度，两变量间的直线相关关系用相关系数描述 （定量描述） 。 3．适用条件：用于双变量正态分布(bivariate normal distribution) 资料，一般说来，两个变量都是随机变动的，不分主次，处 于同等地位。 （二）相关系数的意义及计算 1.相关系数(correlation coefficient)：积差相关系数（coefficient of product-moment correlation），是反映有直线关系的两变量 间，相关关系密切程度和相关方向的统计指标。用r 表示样本 相关系数， 表示总体相关系数。 其中， 是随机变量X、Y 的协方差。 3、样本相关系数：又称皮尔森（Pearson）相关系