双变量相关与回归ppt课件.pptVIP

;医 学 统 计 学;一、简单线性回归;采用线性回归分析可以解决以下几方面的问题： 1、探讨体重是否随身高的增长而增加？ 2、体重与身高的关系呈直线还是曲线关系？ 3、如何采用回归方程定量地描述两者间的关系？ 4、该地15岁男童身高每增加1厘米，体重平均增加多少公斤？ 5、所建回归方程是否成立？即两变量间线性依存关系是否存在？ 6、如何由身高预测该地15岁男童的体重？;散点图 在做回归或者相关分析以前，对数据必须要做散点图！ 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。 ;医 学 统 计 学; 实际应用中采用简单线性回归模型来定量描述应变量与自变量之间的数量关系。 总体线性回归方程记作 β为总体回归系数（regression coefficient），即直线的斜率，其统计学意义是X每增加（或减少）一个单位，Y平均改变β个单位（即Y的均数改变β个单位）。表示Y随X改变的平均变化量，β0，表明Y随X的增加而增加；β0，表明Y随X的增加而减少；β=0，表明Y与X无线性回归关系。 α为回归直线在轴上的截距（intercept），其统计学意义为X取值为0时，方程所估计值Y的平均水平。截距的解释一定要符合专业实际 。 ;设a和b是α和β的估计值，则可拟合得到样本线性回归方程 表示x取某定值时相应总体均数Y的点估计值，b称为样本回归系数，也是有单位，有符号的。 其回归方程满足三个基本性质：① 为最小；② ；③回归直线必然通过中心点 。 其中（ ）称为残差 （residual）。 ;回归方程的估计：最小二乘法（保证回归方程满足三个基本性质） 保证各实测点至直线的纵向距离（ ）的平方和，即残差平方和 最小 。 考查回归直线是否正确的方法： 1、回归直线必然通过中心点 2，将回归直线左端延长与Y轴相交，交点纵坐标为截距3，要注意，直线只能在实测范围内应用，不能随意延长！ ;回归分析的统计推断 Y变异的分解 ;总体回归系数的假设检验——t检验 注意：在简单线性回归模型中，由于只有一个自变量，回归模型的方差分析等价于对回归系数的检验，且t＝ 。 另外，对回归系数的假设检验还有一种方法，即对相关系数作假设检验，在第二节讲到！ ;拟合优度检验与决定系数 回归系数大小和两个变量的单位及大小有关，回归系数越大，说明Y随X的变化越快，但并不表明影响越大。为描述这种影响的大小以及回归方程拟合效果的好坏，引入决定系数（coefficient of determination）的概念。决定系数是简单线性回归与多重线性回归分析中一个重要的统计量，通常用R2表示。 因SS回归≤SS总，所以取值在0到1之间。它的大小反映了自变量对回归的贡献，说明在的总变异中用、回归关系所能解释的比重。决定系数越趋近于1，回归方程的拟合效果越好，因此，常把它作为评价回归方程效果，反映拟合优度的指标。;回归分析的前提条件（LINE） 线性（linear） 独立性（independence） 正态性（normality） 等方差（equal variance） 简单线性回归分析应用（预测与控制） 利用回归方程进行预测预报 X Y 注意：均数的可信区间与个体值容许区间的意义不同。 利用回归方程进行统计控制 Y X 不论预测或控制，都不能超出给出数据的范围！; 简单线性回归分析可以告诉我们应变量Y随自变量X变化而变化的情况，研究的是变量之间的依存关系；但并未告诉我们二者间关系的密切程度。若要了解两随机变量间线性关系的程度与方向，就需进行简单相关分析，也称直线相关分析。 相关分析中，变量无自变量和应变量之分，它只研究任两个变量之间相关关系的程度和性质 ，变量间的地位是平等的 ，这是回归分析与相关分析区别的关键，但二者又有着密切的联系。 ;★正相关 ★负相关 ★零相关 ★完全正相关 ★完全负相关;若两变量X与Y呈双变量正态分布，散点图呈线性趋势，且各观察值之间相互独立，则两变量之间的相关关系可采用Pearson积差相关系数表示，简称简相关系数。 样本相关系数用r表示，总体相关系数用ρ表示。其取值范围?1≤r≤1，一般地，r接近1表示两变量间正向线性关联程度较高；r接近-1表示两变量间负向线性关联程度较高；r接近0表示两变量间线性关联极弱，或无线性关联存在。;相