医学统计学（李琳琳）7 相关分析与回归分析教学材料.pptVIP

第七章 线性回归与相关; 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。;R1;;确定性关系与随机关系; 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。;第一节 直线相关;;散点图能直观地看出两变量间的关系，因此研究两变量的关系应先绘出散点图，而后再确定两者的量化关系。;;相关系数的方向示意图;体重(kg)，X;若双变量X与Y均是来自正态总体的随机变量，散点图呈线性趋势，且各观察值相互独立，则两变量之间的相关关系可采用Pearson积矩相关系数表示。;（1）相关系数ρ是一个无量纲的数值，且-1≤ρ ≤ 1； （2） ρ＞0为正相关，ρ ＜0为负相关； （3） ρ 越接近于1，说明关联程度较高， ρ越接近于0，说明相关性极弱或无关联。;简单相关分析的方法步骤;; 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;（二）估计简单相关系数r;（三）相关系数的统计推断;ρ的假设检验;P391;(2)t检验;线性相关分析的应用 ;（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。 ; 相关关系不等于因果关系； 相关分析要有实际意义，两个变量的选择 一定要结合专业背景，不能把毫无关联的两种现象勉强作相关分析。 注意相关关系成立的数据范围； ; 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。;回归关系的几个例子;回归分析的基本概念;回归分析（Regression analysis） 从一组样本数据出发，确定变量之间的数学关系式； 对这些关系式的可信程度进行各种统计检验，并从影响某一特定变量的诸多变量中找出具有统计学意义的变量；;自变量与因变量 a)自变量(independent variable)或解释变量： 影响因变量的变量， 一般用X表示 b)因变量(dependent variable)或响应变量： 受其它变量影响的变量，一般用Y表示 通常由给定的x值来对Y值进行推断，故x是给定的、非随机的，Y是随机变量。 ;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