实验6 相关回归分析.ppt

直线回归与相关 直线回归与相关 * 如身高~体重、体重与体表面积、血压与年龄等。 此时两个变量一般以数据对（xi，yi）的形式来表示： （1）依存关系：因变量(dependent variable) Y 随自变量 (independent variable) X 变化而变化。 —— 回归分析 （2）互依关系：Y 与 X 间的彼此关系 。 —— 相关分析 * 相关分析：两个变量之间的相关分析可以利用CORR过程完成。如果两个变量服从双变量正态分布，可以做直线相关分析，计算Pearson相关系数。 回归分析：回归分析在SAS中使用的是REG过程和NLIN过程。 REG过程直接对符合线性回归的变量进行直线回归分析；NLIN过程则用于非线性回归分析。 * §1 直线相关分析 例1 随机抽取15名健康成人,测定血液的凝血酶浓度（单位/毫升）及凝固时间，数据如右表所示。据此数据如何判断这两项指标间有否相关? * 如果两变量间存在直线趋势，则利用CORR过程进行相关分析：计算Pearson相关系数并对相关系数进行假设检验。 首先绘制两变量间的散点图，利用plot语句，并且规定散点图中的点子用“*”表示。 data line; input x y@@; cards; 1.1 13 1.2 13 1.0 15 0.9 15 1.2 13 1.1 14 0.8 16 0.6 17 1.0 14 0.9 16 1.1 15 0.7 16 1.1 14 0.6 18 0.7 17 ; proc plot; plot y*x=*; proc corr; var x y; run; * 两变量的散点图：可以看出所有的点子基本上分布在一条狭长的带状区域内，可以认为存在线性趋势，可以进行线性相关分析。 Pearson相关系数及其假设检验结果，可以看出两变量存在线性相关关系，r=-0.93617，P0.0001。 在该结果前面SAS还会给出对两个变量的基本的统计描述指标。 * 对同一个例子进行回归分析：根据前面的散点图已经知道两变量间存在线性关系，可以进行直线回归分析。 回归分析时选用SAS中的REG过程，并需要指定模型形式为：model y=x； §2 直线回归分析 data line; input x y@@; cards; 1.1 13 1.2 13 1.0 15 0.9 15 1.2 13 1.1 14 0.8 16 0.6 17 1.0 14 0.9 16 1.1 15 0.7 16 1.1 14 0.6 18 0.7 17 ; proc plot; plot y*x=*; proc reg; model y=x; run; * 对整个模型的假设检验（方差分析）：F=92.19，P0.0001，模型有意义。 剩余标准差 y的均数 y的变异系数 决定系数 校正决定系数 输出对截距项以及自变量的假设检验（t检验）的结果，都有统计学意义。 * 如果在model语句后面再加上其它选择项，可以得到另外一些统计量： 如果加上stb，语句为“model y=x/stb”，可以输出标准化回归系数。 如果加上p，语句为“model y=x/p”，可以输出每个观测点的因变量y的实际值、预测值和残差（实际值与预测值的差值）。 data line; input x y@@; cards; 1.1 13 1.2 13 1.0 15 0.9 15 1.2 13 1.1 14 0.8 16 0.6 17 1.0 14 0.9 16 1.1 15 0.7 16 1.1 14 0.6 18 0.7 17 ; proc reg; model y=x/stb p; run; * 加stb选择项后输出的自变量的标准化回归系数。 加上p选择项后输出的y的实际值、预测值和残差。 最下面三项依次为残差和、残差平方和以及预测的残差平方和。 * （1）clm：语句为“model y=x/clm”，可以输出因变量预测值均数的双侧95%可信区间。 （2）cli：语句为“model y=x/cli”，可以输出因变量预测值个体的95%容许区间。 （3）r：输出残差分析的结果。除了p选项的内容外，还包括预测值和残差的标准误、student