第12章简单回归分析23.pptVIP

田玉慧 新乡医学院公共卫生学院 3831801 第一节 简单线性回归(Linear Regression) 一、线性回归的概念及统计描述 “回归”是个借用已久因而相沿成习的名称。若某一变量（Y）随另一变量（X）的变动而变动，则称X为自变量(independent variable)，Y为应变量(dependent variable)。这种关系在数学上被称为Y是X的函数，但在医学领域里，自变量与应变量的关系和数学上的函数关系有所不同。 回归模型的类型 实例 例：为探讨某地饮水中氟含量与 氟骨症的关系，试对测量得到的下列8对数据进行直线回归分析。 氟含量(mg/L)X： 0.48， 0.64， 1.00， 1.47， 1.60， 2.86， 3.21， 4.71 患病率(%)Y： 22.37，23.31， 25.32，22.29，28.57，35.00，46.07，46.08 由上图可以看出：氟含量与氟骨症患病率之间存在着一种依存变化的关系，氟骨症患病率随氟含量的增长而增高，并且呈直线趋势，但各点并非恰好都在直线上。 强调这一区别，统计上称这是氟骨症患病率在氟含量上的回归，即线性回归，也称简单回归(simple regression)。 线性回归分析的任务就是建立一个描述应变量依自变量而变化的直线方程(linear equation)。 一元线性回归模型 （概念要点） ? 对于只涉及一个自变量的简单线性回归模型可表示为 y = b0 + b1 x + e 模型中，y 是 x 的线性函数(部分)加上误差项 线性部分反映了由于 x 的变化而引起的 y 的变化 误差项 ? 是随机变量 反映了除 x 和 y 之间的线性关系之外的随机因素对 y 的影响 是不能由 x 和 y 之间的线性关系所解释的变异性 ?0 和 ?1 称为模型的参数 由样本得到的一元回归模型 线性回归分析 三、回归参数的估计 （一）直线回归方程的概念：一般形式是： 式中： (Y hat)为由X推算得来的Y值，即Y的估计值； a称为截距(intercept)，它是当X=0时的值，即回归直线与纵轴的交点； b称为回归系数(regression coefficient)，即回归直线的斜率(slope)，其含意是当X每增加一个单位时，Y相应增（或减）b个单位。 （二）直线回归方程的求法 求直线回归方程就是确定一条直线，使各点与该直线纵向距离的平方和为最小，即Σ[Yi-(a+bX)]最小。按这个要求计算回归方程的方法称为最小平方法或最小二乘法(least square method)。而且，该直线必须通过坐标点( )。 回归参数的估计——最小二乘原则 残差(residual)或剩余值，即实测值Y与假定回归线上的估计值 的纵向距离 。 求解a、b实际上就是“合理地”找到一条能最好地代表数据点分布趋势的直线。 最小二乘法（图示） 1.画散点图，由散点图可看出： 1）.两个变量间关系的性质（是正相关还是负相关）和程度（是相关密切还是不密切）； 2）.两个变量间关系的类型，是直线型还是曲线型； 3）.是否有异常观测值的干扰。 2.用最小二乘法原理确定两个系数a，b，得到： 实例 例：为探讨某地饮水中氟含量与 氟骨症的关系，试对测量得到的下列8对数据进行直线回归分析。 氟含量(mg/L)X： 0.48， 0.64， 1.00， 1.47， 1.60， 2.86， 3.21， 4.71 患病率(%)Y： 22.37，23.31， 25.32，22.29，28.57，35.00，46.07，46.08 求直线回归方程： 1.由原始数据绘制散点图，观察两变量间是否有直线趋势； 2.求∑X、∑Y、∑X2、∑Y2、∑XY ∑X=15.97、∑Y=249.01 ∑X2=47.03、∑Y2=8468.78、∑XY=594.48 3. 4.求b,a： b=lXY / lXX =97.39/15.15=6.43 a=31.13-6.43×2.00=18.27 故所求直线回归方程为： 四、总体回归系数 β的显著性检验 回归系数的检验即回归方程的检验，其目的是推断总体中X、Y两变量间是否存在直线回归关系。 因为，即使总体回归系数β=0，由于抽样误差的影响，b也可能不等于0，因此，需进行总体回归系数β是否为0的假设检验。 有2种方法：方差分析和t检验。 直线回归的变异来源 （一）F 检验 离差平方和的分解 （三个平方