第12章 简单回归分析_20101220.ppt

简单回归分析 凌莉 2010.12.20 引言： 身高与体重存在相关（相关关系） 可否通过身高预测体重的平均水平？ 新生儿的体重与体表面积存在相关 可否通过体重预测体表面积？（依存关系） 线性回归（linear regression），又称简单回归（simple regression）， 非线性回归（nonlinear regression） 在上一章中，对14名40~60岁的健康妇女的体重（X）与基础代谢（Y）数据计算了相关系数 ，定量地描述了变量X与Y间的线性关联性。现在试用回归分析的方法，从预测的角度来描述基础代谢（Y）如何依存体重（X）的变化而变化的规律性。 样本线性回归方程(regression equation) ： 二、线性回归模型的适用条件 三、回归参数的估计 (二) 回归参数的估计方法 例12-1 计算例11-1的基础代谢（Y）关于体重（X）的线性回归方程。 四、总体回归系数β的统计推断 (一) 方差分析 例12-2 试对例11-1资料的样本回归方程作假设检验（用方差分析） H0: β= 0 即基础代谢与体重之间无线性回归关系 H1: β≠0 即基础代谢与体重之间有线性回归关系 α= 0.05 例12-3 试对例11-1资料的样本回归方程作假设检验（用t 检验）。 (四) 决定系数 第二节 线性回归的应用 统计预测； 统计控制。 统计预测： 均数的置信区间： 当X为某定值和在给定置信度的情况下，欲知Y的总体均数的分布如何？我们可以估计总体中当X为某定值 时，Y的总体均数 的 置信区间 。 统计预测（续）: 个体的容许区间： 预测是回归分析的重要应用之一，医学上常用在给定X值（预报因子）时，计算个体Y值的容许区间。所谓个体Y值的容许区间是指总体中X为某定值时，个体Y值的波动范围。　 统计控制 例12-6 在硝酸钠的溶解试验中，测得在不同温度( )X下，溶解于100份水中的硝酸钠份数Y的数据见表12-3。若要求溶解于100份水中的硝酸钠份数在80份以上，温度应如何控制？设置信度为95%。 第三节 残差分析 当标准化残差图中散点的分布，绝大部分在?2倍标准差之间，在以0参考线的上下随机且均匀地散布时，可以认为模型与数据拟合得较好。一般认为在?3标准差以外区域出现的点所对应的原始数据为离群点，在?2标准差以外、?3标准差以内区域出现的点所对应的原始数据可能为离群点。 第四节 非线性回归 在医学科研实践中，两个连续型变量间并非都呈现线性关系。 例如：考虑人出生后的整个生命期，身高（Y）与年龄（X）之间是明显的非线性关系，在生命的早期，生长很快，而成年期却几乎恒定（见图12-9）。 因此，要想建立非线性关系的回归模型，需要借助非线性回归(non-linear regression)或称曲线拟合（curve fitting）来实现。 本节主要讨论非线性回归分析的基本策略和介绍简单的处理方法。 一、非线性回归分析的基本策略 首先绘制两个变量的散点图，观察点的分布趋势，根据分布趋势的形状，可选择如下不同的分析过程： 二、曲线直线化 1. 绘制原始数据Y与X的散点图，观察散点分布形态类似于何种常用函数类型； 2. 按照所选定的函数进行适宜的变量变换，得到X’与Y’； 3. 绘制变换后数据Y’与 X’的散点图，观察散点分布形态是否呈直线趋势，从而确定曲线类型，否则重复1、2步直至满足散点分布呈直线趋势； 4. 作Y’关于X’的线性回归方程并进行假设检验； 5. 根据第2步的变量变换式进行反变换，得到原始数据Y与X的曲线方程。 当原始数据X与Y的散点分布形态较难判断是直线趋势还是曲线趋势时，一般拟合多个相近的模型，然后通过对各个模型的拟合优度（常用决定系数）评价挑选较为合适的模型。 例12-7 某研究者测得某女童1~9月的身高数据，如表12-4所示。试用合适的回归模型描述该月龄段女童的身高随时间变化的规律。 （3）以Y和X’ 绘制散点图，如图12-11所示，二者呈直线趋势。 （4）作Y 关于X’ 的线性回归方程，得方程 本例只涉及对自变量X进行变换，然后以变换后的数据用标准最小二乘法求解模型的参数估计。当涉及到对因变量Y实施非线性变换 [如Z=ln(Y)] 时，因为最小二乘原则只保证变换后的Z [即ln(Y)] 的残差平方和最小，并不能保证原变量Y的残差平方和也最小，所以在此情况下