北京大学医学部医学统计学基础第6讲-相关与回归.pptVIP

线性相关与回归 两个数值变量间的相关分析 两个数值变量X和Y，探讨它们之间是否存在直线相关关系，随着X增大，Y相应增大或减小。可考虑作相关分析 分析步骤：1）散点图；2）根据资料特点作Pearson或Spearman相关分析 Pearson相关分析要求两变量均服从正态分布。而Spearman相关分析是一种非参数统计方法，对变量分布无要求。 10名男中学生身高和体重值 Pearson相关分析 散点图提示X与Y存在正的相关关系。可采用Pearson相关系数来定量描述 相关系数r计算公式如下，其中分子sxy是协方差，分母是x的方差与y的方差的乘积开根号。 协方差的分子是X与Y的离均差积和。 相关分析结果 协方差阵 身高 体重 身高 106.9 81.9 体重 81.9 89.4 相关阵 身高 体重 身高 1.00 0.84 体重 0.84 1.00 样本相关系数的假设检验 H0：总体相关系数为0 (ρ= 0) H1：总体相关系数不为0 (ρ≠ 0) α=0.05 P=0.002，按α=0.05水准，拒绝H0，接 受H1，认为两变量存在正相关关系 相关分析注意事项 作线性相关分析前最好先作散点图 变量取值非随机时不要作相关分析 对相关分析结果的解释要结合专业背景 慎重合并分层资料 Spearman相关 当原始数据不服从正态分布或总体分布未知时采用，是一种非参数统计方法，又叫作秩相关或等级相关 举例：10个乡的黄曲霉毒素相对含量与肝癌死亡率（1/10万）的关系 对原始数据作Spearman相关，也可以通过对秩次作Pearson相关实现 秩相关系数的假设检验 H0：ρs= 0 H1：ρs≠ 0 α=0.05 rs=0.745，P=0.013，按α=0.05水准， 拒绝H0，接受H1，二者存在正相关。 线性回归分析 线性回归是定量研究不同变量间在数 值上线性依存关系的统计方法。两个 变量间的回归分析，又叫简单回归。 两变量的地位是不同的，其中X为自变量，可随机变动也可以人为取值，Y为因变量，是依赖于X而随机变化的 用胎儿身长预测受精龄 样本回归系数b的统计学意义：身长每变化1cm 时，受精龄平均改变0.675周 样本回归系数的假设检验 H0：总体回归系数为0 (β= 0) H1：总体回归系数不为0 (β≠ 0) α=0.05 P0.001，按α=0.05水准，拒绝H0，接 受H1，认为两变量有直线关系