医学统计学 10第十讲 线性相关.ppt

第十二章 直线相关 世间万物是普遍联系的 医学上，许多现象之间也都有相互联系，例如：身高与体重、体温与脉搏、年龄与血压、产前检查与婴儿体重、乙肝病毒与乙肝等。在这些有关系的现象中，它们之间联系的程度和性质也各不相同。 相关关系 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，或相关(correlation)。两个变量有共变现象，称为有相关关系。 相关关系不一定是因果关系。 第一节 直线相关（linear correlation） 主要内容 一、散点图 二、相关系数 三、相关注意事项 一、散点图 为了确定相关变量之间的关系，首先应该收集一些数据，这些数据应该是成对的。例如，每人的身高和体重。然后在直角坐标系上描述这些点，这一组点集称为散点图。 作法：为了研究父亲与成年儿子身高之间的关系，卡尔.皮尔逊测量了1078对父子的身高。把1078对数字表示在坐标上，如图。用水平轴X上的数代表父亲身高，垂直轴Y上的数代表儿子的身高，1078个点所形成的图形是一个散点图。它的形状象一块橄榄状的云，中间的点密集，边沿的点稀少，其主要部分是一个椭圆。 作用：粗略地给出了两个变量的关联类型与程度 相关类型： 二、相关系数 相关系数(correlation coefficient)是衡量两个连续变量之间关联的强度的指标，样本的相关系数用r 表示，总体的相关系数用ρ表示。 相关系数取值: -1r1 相关系数的性质 -1 ≤ r ≤ 1 r＞0为正相关 r＜0为负相关 r＝0为零相关或无相关 Pearson相关系数的计算 离均差平方和、离均差积和的展开 例13-1 测得某地15名正常成年人的血铅X和24小时的尿铅Y，试分析血铅与24小时尿铅之间是否直线相关。 ∑X=3.00 ∑Y=3.17 ∑ X2=0.7168 ∑Y2=0.7681 ∑XY=0.7388 n=15 =0.9787 相关系数的假设检验 上例中的相关系数r等于0.9787，说明了15例样本中血铅与尿铅之间存在相关关系。但是，这15例只是总体中的一个样本，由此得到的相关系数会存在抽样误差。因为，总体相关系数（?）为零时，由于抽样误差，从总体抽出的15例，其r可能不等于零。所以，要判断该样本的r是否有意义，需与总体相关系数?=0进行比较，看两者的差别有无统计学意义。这就要对r进行假设检验，判断r不等于零是由于抽样误差所致，还是两个变量之间确实存在相关关系。 相关系数的假设检验 查表法 当n≤50，v=n-2，查r界值表，得到P值 t检验法 计算检验统计量tr，查t界值表，得到P值 例题 H0 ： ?=0 无关 H1 ： ?≠0 相关 ?=0.05 r=0.9787, n=15, 代入公式 v=15-2=13，查t界值表,P0.001，拒绝H0，认为血铅与尿铅之间有正相关关系。 总体相关系数的区间估计 三、相关注意事项 线性相关的前提条件是X、Y都服从正态分布（双变量正态分布） 当散点图有线性趋势时，才可进行线性相关分析 必须在假设检验认为相关的前提下才能以r的大小判断相关程度 相关关系并不一定是因果关系，有可能是伴随关系 第二节 秩相关(rank correlation) 应用条件 不服从双变量正态分布、总体分布型未知、等级变量 Spearman等级相关 将各变量X,Y分别编秩p,q； 计算p与q的Pearson相关； 所得结果即为Spearman等级相关rS。 -1≤rs≤1 秩相关系数的检验 查rS界值表 小结 对服从正态分布的两连续性变量，若有一份随机样本，计算Pearson相关系数。 对不服从正态分布的两连续性变量或等级变量，若有一份随机样本，计算Spearman秩相关系数。 对于两个反映属性的分类变量，若有一份随机样本，可作交叉分类表，进行独立性的χ2检验和列联系数来描述关联程度。 习题 1.相关分析一般是研究（ ） A.两份随机样本的两个相同指标的相互关系 B.两份随机样本的两个相同指标间的差别 C.两份随机样本的两个不同指标的相互关系 D.一份随机样本的两个相同指标的相互关系 E.一份随机样本的两个不同指标的相互关系 2.相关系数反映了两变量间的（ ） A.依存关系 B.函数关系 C.比例关系 D.相关关系 E.因果关系 * * X 的离均差平方和: Y 的离均差平方和: X与Y 间的离均差积和: 15名自愿者的血铅和24小时尿铅测量值（μmol/L） 0.24 0.22 15 0.