医学统计学李琳琳7相关分析与回归分析.ppt

统计学的两个主要内容 参数估计和假设检验 t检验 秩和检验 卡方检验 在医药科学研究中常常要分析两个变量间的关系，如血药浓度和时间、年龄和血压、药片的硬度和药片的消溶速度等。 一般来说，变量之间的关系可分为确定性和不确定性两大类。 线性相关分析（linear correlation analysis）或简单相关分析(simple correlation analysis) 则是研究2个随机变量间是否有线性联系、联系程度及方向的统计方法。 相关系数的特点 （一）绘制散点图，看有无线性关系 （二）估计简单相关系数r （三）检验简单相关系数ρ 是否有统计学意义 某实验室检测15名健康成人凝血酶浓度（U/ml）与血液凝固时间（秒）如表7-3.试问凝血时间与凝血酶浓度间是否有线性相关关系存在？ 【解析】 研究目的：凝血酶浓度和凝血时间两定量之间是否存在线性关系，其联系程度如何？ （一）绘制散点图 （三）相关系数的统计推断 (2)t检验 H0: ρ=0 H1: ρ≠0 α＝0.05 线性相关分析的应用 （一）当两变量有线性趋势时，才能进行线性相关分析。一般应首先利用散点图观察并判断两变量间的关系，根据变量间可能的关系，选择不同的相关分析方法。 （二）相关分析适用于双变量正态分布的资料，否则需进行变量变换或采用其它计算方法，如秩相关。 （三）相关分析适用于两变量均为随机取值的资料，当一个变量的数值人为选定时不能做相关分析。如研究不同温度下兔肺动脉张力，人为选定四个温度16℃，24℃，30℃，37℃，获得如下资料。 （四）异常点的存在对相关分析往往有影响，要特别注意。 （五）分层资料盲目合并容易引起假象。 案例 有研究者欲研究某药口服量与血药浓度关系，把口服药物设定为1, 2.5, 5, 7.5, 10, 15, 20, 30等档次，每档各取3只动物（共24只）进行试验，于服药后1 h抽血检验血药浓度。在SPSS中作散点图，计算得口服药物量与血药浓度的Pearson相关系数=0.979，经假设检验P0.001，认为口服药物量与血药浓度呈线性正相关。 请问：本例的两个变量各有何特征？可以计算Pearson相关系数吗？若可以，则计算的方法与步骤有何不妥吗？计算结果正确吗？可以推出本例的结论吗？ 案例辨析 本例的重要问题是，线性相关的条件不满足，即口服剂量是人为取定的，属于非随机变量，因此不宜作相关分析。其次，仅利用Pearson相关系数与假设检验值就认为两者呈线性正相关为时过早。分析本例的散点图，可发现散点呈曲线形，而非直线型，因此即使口服剂量是随机变量也不宜直接作线性相关分析。第三，研究者取的剂量范围为1~30，而结论认为口服药物量与血药浓度呈线性正相关，未限定浓度范围，也是不妥的。相关分析很重要的一条就是在多大范围作的研究就在多大范围下结论，因为超过范围很可能结论就不再成立。 第二节直线回归 对于具有相关关系的变量，虽然不能用精确的函数表达式来表达其关系，但是大量观察数据的分析表明，它们之间存在着一定的相互依存关系。 相关分析是用相关系数来刻画这些变量之间相互依存关系的密切程度； 回归分析从变量的观测数据出发，定量地反映它们之间相互依存关系，判断所建立的回归方程式的有效性，进行预测或估计。 函数关系：它反映着现象之间严格的数量化依存关系，也称确定性的依存关系。如正方形的面积和边长的关系。 回归关系：变量之间存在着不确定、不严格的依存关系，即对于一个变量的某个数值，可以有另一变量的若干数值与之相对应 回归分析的基本概念 一、简单线性回归（Regression）的意义 最小二乘法建立回归方程 直线回归分析的关键就是求出回归方程 中a、b两个常数。由数学知识可知，两点决定一条直线。将容量为n的样本标在(x,y)坐标平面上，可得到n个点。n个点可确定许多直线，到底以哪条线作为回归线呢？直线回归的主要应用是统计预测，即根据实测的X估算Y，当然是希望估算的Y（称为 ）与实测之间的差值（Y－ ）越小越好。 最小二乘法建立回归方程 故由样本资料决定回归线时，往往用数学上的最小二乘法（least square method）原理求解a和b两个系数（α和β的点估计值），即在所有直线中找出（残差平方和 ，记为SS残差）达最小值时所对应的直线作为回归线。 例7-1 欲了解急性脑血管病患者血清IL-6与脑脊液IL-6含量之间的关系，某医师随机抽取了该院确诊的10例蛛网膜下腔出血患者，测量24小时内血清IL-6和脑脊液IL-6(pg/ml)，问蛛网膜下腔出血患者脑脊液IL-6含量是