9第九章 双变量回归与相关PPT.ppt

102 * 三、相关系数的统计推断 （一）相关系数的假设检验 （9-19） 102 * 例9-6 对例9-5所得 r 值，检验尿肌酐含量与年龄是否有直线相关关系？ 102 * 检验步骤 本例n=8，r=0.8818，按公式（9-19） 102 * （二）总体相关系数的可信区间 102 * 具体步骤如下 102 * 例9-7 对例9-5所得r值，估计总体相关系数的95%可信区间。 再按公式（9-22）将z作反变换，得到年龄与尿肌酐含量的总体相关系数95%可信区间为（0.4678,0.9971）。 102 * 四、决定系数(coefficient of determination) 定义为回归平方和与总平方和之比，计算公式为： （9-23） 取值在0到1之间且无单位，其数值大小反映了回归贡献的相对程度，也就是在Y的总变异中回归关系所能解释的百分比。 102 * 102 * 五、直线回归与相关应用的注意事项 102 * 102 * 102 * 1．方差分析 102 * （X，Y） 102 * 数理统计可证明： 102 * 上式用符号表示为 式中 102 * 102 * 上述三个平方和，各有其相应的自由度 ，并有如下的关系： 102 * 如果两变量间总体回归关系确实存在，回归的贡献就要大于随机误差，大到何种程度时可以认为具有统计意义，可计算统计量 F 102 * 式中 102 * 2. t 检验 102 * 例9-2 检验例9-1数据得到的直线回归方程是否成立？ 102 * （1）方差分析 102 * 表9-2 方差分析表 列出方差分析表如表9-2。 102 * （2）t 检验 102 * 注意： 102 * （二）总体回归系数 的可信区间 利用上述对回归系数的t检验，可以得到β的1－α双侧可信区间为 102 * 例9-3 根据例9-1中所得b=0.1392，估计其总体回归系数的双侧95%可信区间。 102 * （0.1392-2.447×0.0304，0.1392+2.447×0.0304） =（0.0648，0.2136） 102 * （三）利用回归方程进行估计和预测 102 * （9-15） （9-14） 反映其抽样误差大小的标准误为 102 * （9-16） （9-17） 102 * 两条实曲线——总体均数的可信区间； 两条虚曲线——个体Y值的预测区间，范围更宽。 二者都是中间窄，两头宽；都在X= 处最窄。 102 * 例9-4 用例9-1所得直线回归方程，计算当X0=12时， 的95%可信区间和相应个体值的95%预测区间。 102 * 计算步骤 例9-1、例9-2已计算出 102 * 102 * 第二节 直线相关 102 * 直线相关(linear correlation)又称简单相关(simple correlation)，用于双变量正态分布(bivariate normal distribution)资料。其性质可由图9-6散点图直观的说明。 目的：研究 两个变量X,Y数量上的依存（或相关） 关系。 特点：统计关系 一、直线相关的概念 102 * 二、相关系数的意义与计算 1. 意义：相关系数（correlation coefficient）又称Pearson积差相关系数，用来说明具有直线关系的两变量间相关的密切程度与相关方向。 相关系数没有单位，其值为-1 r 1。r值为正表示正相关，r值为负表示负相关，r的绝对值等于1为完全相关，r=0为零相关。 102 * 102 * 2. 计算：样本相关系数的计算公式为 （9-18） 102 * 由例9-1算得， 按公式（9-18） 例9-5 对例9-1数据（见表9-1），计算8名儿童的尿肌酐含量与其年龄的相关系数。 102 * 第九章 双变量回归与相关 Linear Regression and Correlation 102 * 双变量计量资料：每个个体有两个变量值 总体：无限或有限对变量值 样本：从总体随机抽取的n对变量值 （X1,Y1）, （X2,Y2）, …, （Xn,Yn） 目的：研究X和Y的数量关系 方法：回归与相关 简单、基本——直线回归、直线相关 102 * Content 1. Linear regression 2. Linear correlation 3. R