简单回东归分析.pptVIP

英国人类学家 F.Galton首次在《自然遗传》一书中，提出并阐明了“相关”和“相关系数”两个概念，为相关论奠定了基础。其后，他和英国统计学家 Karl Pearson对上千个家庭的身高、臂长、拃长（伸开大拇指与中指两端的最大长度）做了测量，发现： 儿子身高（Y，英寸）与父亲身高（X，英寸）存在线性关系： 。 也即高个子父代的子代在成年之后的身高平均来说不是更高，而是稍矮于其父代水平，而矮个子父代的子代的平均身高不是更矮，而是稍高于其父代水平。Galton将这种趋向于种族稳定的现象称之“回归” “回归”已成为表示变量之间某种数量依存关系的统计学术语，相关并且衍生出“回归方程”“回归系数”等统计学概念。如研究糖尿病人血糖与其胰岛素水平的关系，研究儿童年龄与体重的关系等。 简单回归分析 Simple linear regression analysis 参考书 1. 徐勇勇主编. 医学统计学（第二版）. 北京：高等教育出版社，2004 2. 杨树勤主编. 卫生统计学（第二版）. 北京：人民卫生出版社，1991 3. 方积乾主编. 医学统计学与电脑实验（第二版）. 上海：上海科学技术出版社，2001 4. 孙振球主编. 医学统计学（供研究生用）. 北京：人民卫生出版社，2004 本章内容 第一节 简单线性回归 第二节 线性回归的应用 第三节 残差分析 教学目标 了解回归的思想来源 掌握线性回归方程的计算，回归系数的假设检验的思想和步骤 了解回归方程的应用 双变量计量资料：每个个体有两个变量值 总体：无限或有限对变量值 样本：从总体随机抽取的n对变量值 （X1,Y1）, （X2,Y2）, …, （Xn,Yn） 目的：研究X和Y的数量关系 方法：回归与相关 简单、基本——直线回归、直线相关 线性回归的概念及其统计描述 直线回归的概念 目的：研究应变量Y对自变量X的数量依 存关系。 特点：统计关系。 X值和Y的均数的关系， 不同于一般数学上的X 和Y的函数关系 为了直观地说明直线回归的概念，以15名健康人凝血酶浓度（X）与凝血时间(Y)数据（表1）进行回归分析，得到图1所示散点图（scatter plot） 在定量描述健康人凝血酶浓度（X）与凝血时间(Y)数据的数量上的依存关系时，将凝血酶浓度称为自变量(independent variable)，用 X 表示；凝血时间称为应变量(dependent variable)，用 Y 表示 相关系数反映了散点的疏密，一个变量对另一个变量的影响需用回归分析。 对于线性回归，若只有1个自变量，称为简单回归(simple regression)；若有2个或2个以上自变量，称为多重回归(multiple regression)。  当这种数量关系为曲线关系时，称为曲线回归/非线性回归(curve regression/nonlinear regression)。 1．a 为回归直线在 Y 轴上的截距 a 0，表示直线与纵轴的交点在原点的上方 a 0，则交点在原点的下方 a = 0，则回归直线通过原点 2. b为回归系数，即直线的斜率 b0，直线从左下方走向右上方，Y 随 X 增大而增大； b0，直线从左上方走向右下方，Y 随 X 增大而减小； b=0，表示直线与 X 轴平行，X 与Y 无直线关系 线性回归模型的假设条件 1.线性(line) 自变量和因变量之间的关系有线性趋势 散点图 2.独立(independence) n个个体之间相互独立 专业知识,残差图 3.正态(normal)各x所对应的y服从正态（误差项服从正态分布 ） 残差的直方图,正态概率图 4. 等方差(equal variance) 各x值变动时，相应的y有相同的变异性 散点图,残差图 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。 本例：n=15 ΣX=14.7 ΣX2=14.81 ΣY=224 ΣXY=216.7 ΣY2=3368 3、计算有关指标的值 4、计算回归系数和截距 5、列出