9.简单线性相关及回.pptVIP

回归系数的假设检验 与直线相关一样，直线回归方程也是从样本资料计算而得的，同样也存在抽样误差问题。所以，需要对样本的回归系数b进行假设检验，以判断b是否从回归系数为零的总体中抽得。 总体的回归系数一般用β表示。 对回归系数的假设检验一般也用t检验。 H0：β=0 H1：β≠0 α=0.05 统计量t的计算公式为： 式中：Sb为回归系数的标准误，计算公式如下： 其中SY.X为各观察值 到回归直线的纵向距离的标准差，表示去除X影响后 的变异，计算公式为： 例2： H0：β=0 H1：β≠0 α=0.05 自由度?=31-2=29，查t界值表（附表2），t0.05（29）=2.045, P0.05,按?=0.05检验水准，拒绝H0，认为待产妇24小时尿中雌三醇含量与产儿体重之间存在直线回归关系。 回归直线的描绘 根据求得的回归方程，可以在自变量X的实测范围内任取两个值，代入方程中，求得相应的两个值，以这两对数据找出对应的两个坐标点，将两点连接为一条直线，就是该方程的回归直线。 回归直线一定经过（0，a ），（ ）。这两点可以用来绘图或者核对图线绘制是否正确。 用上例中求得的回归方程描绘回归直线。 取X1=9(mg/24h) X2=18(mg/24h) 代入回归方程， 求得Y1=2.70(kg) Y2=3.25(kg) 以点P1(9,2.70) 和P2(18,3.25)在坐标上画直线，即为该方程的回归直线。 六. 直线回归的应用 描述两变量之间的依存关系 通过回归系数的假设检验,若认为两变量之间存在直线回归关系,则可用直线回归来描述. 利用回归方程进行预测 把自变量代入回归方程，对应变量进行估计，可求出应变量的波动范围。 利用回归方程进行统计控制 利用多元回归描述多因素的影响 在实际应用中，我们会发现，通常一个结果的产生是由多种原因造成的。为了综合考虑这些因素，可以用多元回归的方法来解决。 第三节 应用直线相关与回归的注意事项 一、注意事项 （一）实际意义 进行相关回归分析要有实际意义，不可把毫无关系的两个事物或现象用来做相关回归分析。 （二）相关关系 相关关系不一定是因果关系，也可能是伴随关系，并不能证明事物间有内在联系， （三）利用散点图 对于性质不明确的两组数据，可先做散点图，在图上看它们有无关系、关系的密切程度、是正相关还是负相关，然后再进行相关回归分析。 （四）变量范围 相关分析和回归方程仅适用于样本的原始数据范围之内，出了这个范围，我们不能得出两变量的相关关系和回归关系。 二、相关与回归的区别 （一）意义 相关反映两变量的相互关系，即在两个变量中，任何一个的变化都会引起另一个的变化，是一种双向变化的关系。 回归是反映两个变量的依存关系，一个变量的改变会引起另一个变量的变化，是一种单向的关系。 （二）应用 研究两个变量的相互关系用相关分析。研究两个变量的依存关系用回归分析。 （三）性质 相关是对两个变量之间的关系进行描述，看两个变量是否有关，关系是否密切，关系的性质是什么，是正相关还是负相关。 回归是对两个变量做定量描述，研究两个变量的数量关系，已知一个变量值可以预测出另一个变量值，可以得到定量结果。 （四）相关系数r与回归系数b r与b的绝对值反映的意义不同。 r的绝对值越大，散点图中的点越趋向于一条直线，表明两变量的关系越密切，相关程度越高。 b的绝对值越大，回归直线越陡，说明当X变化一个单位时，的平均变化就越大。反之也是一样。 三、相关与回归的联系 （一）关系 能进行回归分析的变量之间存在相关关系。所以，对于两组新数据（两个变量）可先做散点图，求出它们的相关系数，对于确有相关关系的变量再进行回归分析，求出回归方程。 （二）相关系数r与回归系数b r与b的符号一致。r为正时，b也为正，表示两变量是正相关，是同向变化。r为负时，b也为负，表示两变量是负相关，是反向变化。 r与b的假设检验结果一致。对同一资料，可以证明r与b假设检验的统计量t值的大小相等，因而结果总是相同的。由于对r进行假设检验的统计量t值计算公式比较简便，而且还可以直接查表。所以，可用r的显著检验代替b的显著性检验。 简单线性相关与回归 比较不同组之间的差别：t、Z、χ2检验 发现不同指标之间的联系：相关与回归 第一节 直线相关 一、散点图 散点图（scatter plot）是把两个变量的关系在直角坐标系中用一些散在的点表示出来，从而可以直观的看出两个变量之间的相互关系。 两变量X、Y同时增大或减小，变化总是同向的，称为正相关(positive correlation)； 反之，X、Y呈反向变化，称为负相关（neg